行人重识别是计算机视觉中的一项重要任务,其目的是为了检索存在于图像或者视频中的特定行人。近年来,随着深度学习的发展,行人重识别研究也取得了许多突破,并且在安防和刑侦等多个领域取得了广泛的应用。目前,传统的行人重识别方法大多致力于提取丰富的图像特征。但是,当面对实际场景下常见的遮挡问题时,它们的识别精度都会出现大幅下降。根据遮挡情况的严重程度,本文将遮挡式行人重识别分为局部遮挡和部分遮挡两种。本文基于深度学习,针对遮挡式行人重识别任务进行了研究,主要创新点如下:（1）针对行人重识别基准网络大多数精度不够高的问题,本文提出了简单高效的行人重识别基准网络。考虑到基准网络结构的简洁性,该基准网络仅使用一个全局特征,损失函数为一个三元组损失和一个分类损失。本文采用六种策略训练和优化行人重识别基准网络,包括预热学习率、随机擦除增广、标签平滑、扩大特征图、批量归一化网络和注意力机制,在几乎不增加网络参数量的前提下,进一步提升该基准网络的精度,并通过消融实验分析上述六种策略对基准网络精度和复杂度的影响。实验表明,本文提出的基准网络在几乎不增加参数量的情况下,其识别精度超越了目前绝大多数的基准网络。该基准网络被用作以下两个解决局部遮挡和部分遮挡的模型的基准网络。（2）针对遮挡式行人重识别中的局部遮挡问题,本文提出了基于三元组擦除的数据增强方法。该方法的核心思想是向训练集引入更多新的被局部遮挡的样本,提高模型对于局部遮挡的鲁棒性。该方法包含局部距离分支和三元组擦除分支,局部距离分支主要功能是对齐两张行人图像的局部特征,三元组擦除分支的主要功能是擦除三元组图像中的某块矩形区域来创造更难判别的正负样本对,这可以增加训练难度,从而提高模型的判别能力。因为该方法本身属于数据预处理阶段的操作,所以适用于其他使用三元组损失的行人重识别网络。（3）针对遮挡式行人重识别中的部分遮挡问题,本文提出了基于注意力机制的特征对齐网络。与传统方法使用额外的人体姿态估计模型或者行人分割模型来提取人体语义信息不同,本文提出的网络仅使用无参数增加的空间注意力来使模型更加关注图像的显著性区域。此外,在检索阶段,本文创新地使用空间注意力来对齐两张图像的共享可视人体区域,降低大面积障碍物对于模型的干扰,从而提高模型对于部分遮挡的鲁棒性。