随着智能社会、平安中国的提出,在停车场、交通干道上、银行里等各种场景布置了监控摄像,这给维护社会治安、保障行人安全带来了便捷,但同时也带来了挑战。在大量的图像中,只识别出行人已经不能满足现在的社会要求,如何有效地利用行人有限的关联特征、精确识别行人已经被提上日程。同时深度学习的快速发展,尤其是在机器视觉领域的广泛应用,比传统的目标检测识别方法精度高,而且计算速度快,已经应用在实际生活当中。因此深度学习的解决方案对于行人关联特征识别问题,据有学术性、有效性、价值性。在实现深度学习的行人及行人关联特征识别任务中,目标候选区域的提取是首要任务。本文通过研究加速区域卷积神经网络方法中通过卷积特征图提取候选区域的方法,根据本课题的数据集,建立了行人关联特征检测网络结构,实现原始图像的特征提取工作并对其性别进行识别,提取关联特征候选区域。其次,对原有的候选区域网络进行改进,采用不同尺度、不同尺寸的窗口提取候选区域,解决目标区域的多尺度性问题,并通过矩形交并比自动标签技术,实现候选区域网络的多分类任务,达到分离行人关联特征区域的目的。在训练过程中,提出了共享卷积参数微调技巧,实现了行人关联特征检测网络和候选区域网络的卷积层共享。在实现目标识别任务中,区域卷积神经网路技术体现了其强大性。本文对区域卷积神经网路进行研究,针对本课题的数据集,提出了行人关联特征识别网络结构,对行人关联特征检测网络筛选出的关联特征候选区域进行特征提取,实现了包括衣着样式及颜色、背包样式及颜色在内的行人关联特征的识别任务。最后,对本课题所做的一系列研究工作进行全面总结,并对接下来的研究工作进行合理展望。