行人属性识别可以将监控视频中的行人信息变成可以用于搜索的高级语义信息,其可以辅助完成行人检索、行人重识别等任务,所以,吸引了越来越多研究者的关注。早期的行人属性识别算法均是使用手工设计规则的方法提取图片特征进行行人属性识别,但实际场景复杂度较高,该类算法难以获得较好识别效果。因此,提出两种基于深度学习的改进算法:(1)为了减少背景对于属性识别的干扰,提出基于抑制背景干扰的行人属性识别算法。该算法通过强制网络提取到的特征集中于图像中的人体区域来提高属性识别效果。首先,增加两个分支,主干网络提取行人图像特征,增加的分支用于在特征图上分离行人人体区域与背景区域,得到不同区域的特征向量。然后,通过加权交叉熵损失函数计算网络预测的损失,通过区域对比损失函数计算由于背景干扰而产生错误的特征提取所造成的损失。最后,将两部分损失累加作为网络的总损失,对网络进行参数的更新。(2)为了通过定位各个属性的位置来提高识别效果,提出基于属性定位的行人属性识别算法。首先,算法设计了一个属性定位模块,有针对性地对每个属性进行区域级加权来提高网络的属性定位能力。然后,将属性定位模块应用到网络的多个层级,形成一个多分支网络,得到包含位置信息的多层级特征。最后,将多层级的特征进行线性融合,融合后的特征既包含了多层级特征,又包含了属性的位置信息,利用该特征向量进行属性预测,即可得到识别结果。通过在两个行人属性数据集上进行验证,与现有方法相比,两种改进算法在平均精度、准确率、精确率等性能指标上均有所提升,证明了算法的有效性。