基于文本的行人搜索技术是根据行人文本描述从图像库中匹配目标行人。行人搜索在实际应用中,会面临目标行人查询图像难以获取的问题。因此基于文本的行人搜索可以根据目击者的口头描述进行搜寻。与基于图像的行人搜索相比,它的方式更加灵活和人性化,因此成为学术界新的研究热点问题。该任务与跨模态检索任务类似,都是通过文本检索出相关图像。但是基于文本的行人搜索面临行人图像分辨率低,行人之间类间差别小等挑战,因此必须学习具有细粒度的跨模态特征融合来区别视觉文本间的线索,从而达到更加细粒度的特征匹配。针对该任务的难点问题,本文主要完成了以下两方面的工作:（1）本文提出了基于语义共同注意的增强属性对齐网络。语义共同注意机制由深度级联的自我注意模块和关系注意模块组成。自我注意模块分别以视觉属性特征和文本特征作为输入,学习单个模态的内部依赖关系。然后将自我注意的视觉属性特征和文本特征输入到关系注意模块中,学习更加细粒度的视觉属性特征,在语义共同注意机制的帮助下,该模型在基于文本的行人搜索标准数据集CUHKPEDES上Rank-1达到了55.57%的准确率,在粗略的全局对齐框架下强化了局部到局部之间的属性对齐。（2）针对局部属性对齐无法实现全局的高级抽象语义对齐的问题,本文提出了上下文关系对齐网络模型。具体一点说,使用预定义的局部对齐思维定势掩盖了图像和文本之间隐藏的高级语义对齐,这种对齐方式实质上将对齐效果限制在了一定的范围之内。为此本文提出上下文关系对齐网络去总结每一个模态内的上下文关系,从而实现模态间的上下文关系对齐。该网络通过上下文强化注意机制来组成模态内编码器和模态间编码器,一般的注意力机制根据query和key之间的关系得到注意分布,即使key中存在一些与query无关的信息,也会得到一个较小的注意值,一定程度上分散了注意力。基于该问题在上下文强化注意机制中加入门函数,去除冗余信息,从而更加关注与查询上下文相关的信息,当以文本上下文为查询的图像注意区域和以图像上下文为查询的文本注意区域两者高度相关,则实现了上下文关系的一一对应。最后在CUHK-PEDES数据集上取得了61.76%的准确率,验证了该模型的有效性。