行人重识别是利用计算机视觉技术从跨域视角候选图像数据集或者非重叠监控视频序列中检索出与指定行人具有相同身份信息行人的过程。行人重识别技术在行人轨迹跟踪以及智能安防领域发挥着重要的作用。受到拍摄设备以及环境中各种干扰因素的影响,使得行人重识别任务在实际应用中面临诸多挑战。因此,提取更具有鲁棒性和高区分度的行人特征成为了行人重识别研究领域的重点课题之一。针对这些问题,本文从两个不同角度提出了优化行人重识别性能的方法,具体工作为:（1）针对局部特征间度量时容易出现人体对应部位对不齐而导致的特征匹配存在偏差的问题,本文借助人体语义分割算法精确的人体部位识别能力,提出了一种能够有效解决局部特征对不齐的方法。该方法通过卷积神经网络模块构建了全局和局部特征提取两个网络分支结构。其中全局特征提取子网络用于提取行人图像的全局视觉特征,而在局部特征提取子网络中,首先将全局视觉特征输入到通道注意力机制模块中以消除无效特征通道对结果的影响,其次将人体语义分割概率图与经过通道注意力机制得到的特征进行计算,得到精确定位的人体各个身体部位特征图。通过局部特征子网络不仅可以精准提取到具有丰富细节以及高区分度的局部特征,而且由于人体语义分割概率图与行人特征图之间仅仅是覆盖叠加关系,因此能够有效避免局部特征对应部位对不齐问题。最后通过动态加权模块为每个局部特征自适应地分配不同权重以使网络更加关注高区分度的局部特征,进一步提升网络的表征能力。（2）上述通过卷积神经网络模块构建网络结构的方法难以捕获相距较远的图像区域之间的长程依赖关系,并且网络中的池化及卷积等下采样操作会导致特征分辨率降低。针对卷积神经网络存在的局限性,本文提出了基于Vi T（Vision Transformer）模型的行人重识别方法。由于Transformer模型结构中多头自注意力机制能够关注到全局上下文信息并且模型结构本身不需要任何下采样操作,所以该网络结构天然地解决了卷积神经网络模型中存在的问题。此外,为了使Vi T模型更加适应行人重识别任务,本文创新性地设计了最短距离矩阵模块和视点信息嵌入模块。其中最短距离矩阵模块是为了让Transformer结构提取有效的行人局部特征,而视点信息嵌入模块则是为了降低不同视点（不同相机或者不同视角）引起的识别偏差。最后,本文将基于Vi T模型的全局特征和局部特征提取部分结合在一起共同训练,有效地提升了网络模型性能。（3）本文所提出的两种方法均与目前主流的行人重识别方法在Market-1501和Duke MTMC-re ID两个数据集上进行了实验对比,验证了本文所设计的两个网络结构的有效性,并取得了较好的结果。另外,由于第二种方法是为了解决第一种方法在卷积神经网络上存在的问题而提出的,因此其综合性能均优于第一种方法。