现代社会下公共安全需求不断增长,监控视频,摄像设备在机场,火车站,地铁,商场等公共场所有着广泛的应用,这些摄像设备主要用来储存和记录监控区域发生的事情,来保证社会的公共安全,因此行人重识别作为计算机视觉的一项关键技术得到了迅速的发展。行人重识别主要解决跨摄像跨场景下行人的识别和检测,在跨摄像头条件下,光照差异,视角差异,物体遮挡,人体姿态差异等因素为行人重识任务带来了巨大的挑战性。随着深度学习技术的不断的发展,现阶段的行人重识别主流模型往往基于卷积神经网络,但是神经网络往往关注于行人整体的特征,导致丢失具有显著区分性的局部信息,因此一些研究工作通过同时对整体和局部信息建模来表征行人。此外,卷积网络不同卷积层的特征有着不同的属性,浅层特征包含更多的细节信息,高层特征包含更多的语义信息,多层次特征聚合研究者们重点关注的方向之一。本文分析了行人重识别的研究进展,并针对如何学习更多的局部特征和聚合卷积不同层次特征展开了研究。本文的主要贡献如下:针对基于局部特征的行人重识别算法会破坏行人图像结构和损失信息的问题,本文提出基于动态记忆指导的信息挖掘算法。具体地,该算法首先提出基于风格的注意力机制,按照行人图像中不同风格的重要性来在通道和空间维度对特征进行调整,以增强深度特征的表征能力。其次为了增加深度特征的多样性和显著性,本文提出了基于动态记忆指导的信息挖掘模块,它可以自适应的在网络中记忆历史信息并消除不同分支间的冗余,使得网络的不同分支关注于行人图像不同的区域。最后受到多视图学习的启发,本文提出了多分支互补网络,通过多分支网络来学习行人图像的多样性特征。在国际公开的数据集上,本算法相较于同期的其他算法有明显的提升。根据卷积网络不同层的视觉特性,本文提出基于层次聚合Transformers的行人重识别算法,Transformers在计算机视觉领域展现出了对序列和长期依赖建模的强大能力。本文同时使用卷积神经网络和Transformers,提出层次聚合Transformers新型学习框架。本文首先提出深监督聚合模块来迭代聚合卷积网络不同层次的特征。其次本文提出基于Transformers的特征校准模块,将该模块插入到卷积网络每一层次之后,该模块将低层特征作为高层特征的全局先验信息。据我们所知,这是第一份同时结合卷积神经网络和Transformers来进行行人重识别的工作。该算法相比较之前的算法捕获到了更加丰富的细节信息,在精度方面也有着显著的提升。