行人特征图的特征点之间普遍存在着两个规律:行人区域中显著性特征之间存在着强相关性;行人区域特征与背景区域特征之间存在着弱相关性。然而,现有的行人重识别多粒度网络虽然拥有较高的精度,但都忽略了粒度间的关系,即忽略了区域特征之间的相关性。这导致了多粒度网络无法很好地解决背景过多、部分行人区域缺失和拍摄视角不同等问题。文章提出了一种基于特征点相关性的行人重识别方法。该方法通过在多粒度网络中嵌入上下文信息处理模块,将特征点相关性强弱信息融合入行人特征中,使得多粒度网络性能提升。针对目前行人重识别模型本身存在泛化能力不足等问题,文章提出了两种强化行人重识别模型泛化能力的方法。其中,基于随机深度网络的方法通过在训练时随机跳过部分卷积层来强化其它卷积层学习特征的能力。该方法也有助于加快行人重识别大规模数据集训练速度。其次,文章针对行人重识别提出了一种新的Dropblock方法。该方法提高了模型在部分特征被遮挡的情况下学习其他特征的能力。其特点是每个特征图遮挡率会随着深度而线性衰减。最后文章利用基于学生-教师的知识蒸馏模型,将大模型的知识迁移到小模型中,以此达到压缩模型的效果。本文针对基于特征相关性的行人重识别方法,文章使用单数据集测试以及跨数据集测试这两种方法,以第一配准率与平均准确率为评价指标,在四个常见行人重识别数据集上进行了大量的实验。实验表明主流的多粒度网络嵌入文章提出的模块后,性能均有明显的提升。文章通过可视化方法验证了上下文信息处理模块具有弱检测效果与特征相关不变性效果。文章对两种强化行人重识别模型泛化能力在Market1501对ResNet进行了实验,实验表明两种方法均一定程度提高了模型的泛化能力。最后,文章对基于教师-学生模型的模型压缩方法进行了实验,实验表明教师将知识迁移到学生模型之后,学生模型性能会有所提升。