行人重识别旨在跨监控区域对特定目标进行检索和识别,是智能监控系统中的重要环节。由于在跨监控区域下,不同区域的监控设备之间存在差异,行人图像会受到视角、姿态、光照变化等诸多因素干扰,使用外部先验知识作为指导进行特征提取,姿态估计阶段产生的噪声可能会传播到整个行人重识别系统。如何利用图像中的语义信息,自动搜索行人语义区域是应对外部复杂干扰,提高识别准确率的技术途径。本文以深度学习为技术基础,以语义学习为切入点,探索提取和利用行人图像中语义信息,提高模型的识别准确率。利用卷积神经网络对空间位置变化的不变性质,从语义理解的角度改进特征区域的搜索方式,设计语义擦除方法擦除显著区域,增强网络的特征区域搜索能力;同时,构造多分支网络结构,从不同的尺度上进行建模,学习行人的多尺度语义特征。主要工作包括:（1）多层卷积的不断深入能使卷积神经网络逐渐聚焦于显著区域,也会导致部分有效信息的丢失。针对该问题,擦除特征图中激活程度最高的水平区域,从语义理解的角度进行特征区域搜索。首先将特征图转化为类激活图,使用相关性关系对每幅图像中特征激活程度最高的水平区域进行定义;其次进行相关性排序,将最大的相关性区域的值设为零;最后为每一张特征图生成对应的二值掩码,指导网络进行语义区域搜索。（2）图像中的语义信息特定于身份,能够辅助全局增强特征表征能力。针对语义信息的获取,设计了基于语义擦除的行人重识别模型,选择轻量级网络Osnet作为网络基线,采用分支网络的思路对其进行改进。首先,对基线网络进行修改,去除全连接层;其次构造擦除分支,其中添加语义擦除模块,擦除当前训练阶段最显著的特征区域,加强网络对相关特征区域的搜索和学习,最后通过分支结构对全局特征和擦除后的特征进行整合。（3）仅从图像中捕获全局特征来表示不同行人之间的区别,其它用于识别目标特定且潜在的语义特征会被忽略。针对该问题,设计了一种多尺度特征提取模型,从不同的语义层面学习行人的多尺度特征。该模型具有三条分支,首先通过在基线上添加空间注意力模块和通道注意力模块对基线进行增强;其次在擦除分支中添加语义擦除模块,加强网络对相关语义特征区域的搜索;最后在局部分支中使用先验知识作为指导,学习行人的细粒度特征。通过三元组损失、ID损失和中心损失三种损失进行联合优化。设计对比实验,在三个公开数据集上进行了实验验证,并与主流方法进行了比较。实验结果表明,引入语义擦除策略的模型性能相较于基线有所提升,分支架构可以对不同尺度的特征进行有效整合,在主流方法中均表现出一定的竞争性。