由于行人再识别其未来应用前景十分广泛,近年来一直是计算机视觉领域的研究热点之一。随着深度学习技术的发展,计算机设备性能的提升,越来越多的研究者已将关注点由基于图片的行人再识别转到基于视频的行人再识别。但是,在视频行人再识别领域,除了传统的光照、遮挡、视角变换与背景变换等问题之外,该领域还有另外一个重要问题,即输入数据量由单张图片变为多张图片组成的视频序列所带来的计算量倍增。如何在降低计算量的同时有效提升算法准确率,是本文所考虑的主要问题。为了达成以上目标,本文首先提出了一种轻量化的视频关注度提取网络,3D全局上下文注意力网络结构,将该结构多层次的嵌入到了残差网络的各个模块中。轻量化的注意力结构可以在嵌入卷积网络时尽可能地不带来额外的计算量,多层次的嵌入残差网络中可以获取多层次的时空信息,更好的提取视频特征。随后,本文提出了一种用于视频行人再识别的连续随机擦除方法,该方法在不带来额外计算量的同时可以提升算法对于遮挡视频的鲁棒性。此外,本文还在算法的优化器中引入了梯度中心化方法,该方法有效的提升了网络训练的稳定性与准确率。为了验证以上方法的有效性,本文在目前公开的大型视频行人再识别数据集Mars上对所提出的算法进行了验证。相对于本文所选的强Baseline,本文在算法训练时对计算机显存占用降低一半的情况下,有效的提升了算法的准确率,Rank-1达到了90.8%,m AP达到了85.2%。经实验验证,本文所提出的算法在有效提升算法准确率的同时大幅降低了算法训练时的硬件需求。