行人重识别是指在跨多个非重合摄像头的场景下,在行人数据库中检索出指定查询行人图像的技术。行人重识别在安防监控以及无人超市等领域有着重要的应用前景,因此吸引了国内外学者的广泛关注。近年来,由于深度学习的发展及其在计算机视觉领域的广泛应用,基于深度学习的行人重识别算法性能有了长足的进步。然而,在真实行人重识别场景下,经常出现各式各样的遮挡,包括各种干扰物以及行人之间的遮挡。遮挡会对训练好的模型造成极大的干扰,导致基于深度学习的行人重识别方法难以学习到鲁棒的特征表示,从而使得算法性能大幅度下降。因此,如何学习到对遮挡具有鲁棒性的特征表示,对现实场景下的行人重识别任务具有重要实际价值。本文的主要工作如下:首先,我们提出一个针对遮挡行人重识别的语义指导多粒度网络（Semantic-Guided Multi-Granuarity Network,SGMGN）方法。相较于全局特征,局部特征对遮挡具有更强的鲁棒性。当某个局部区域被遮挡,来自其他局部区域的特征仍然能够提供有效的判别力。因此,我们利用人体语义分割的标签作为监督,提取人体不同语义部位的局部特征。同时,遮挡的尺度具有多样性,我们将语义标签聚合成不同的粒度,用来监督提取不同粒度的局部特征。多粒度的局部特征对于不同程度的遮挡都具有良好的适应性,因此可以有效提高遮挡行人重识别的性能。而对于全局特征,我们在其中融入了更多的语义信息,使其更加关注非遮挡的语义部位。实验结果表明,我们提出的SGMGN算法在一个大规模的遮挡数据集（Occluded-DukeMTMC）上取得了比当前先进的行人重识别方法更好的效果。在两个非完整行人重识别数据集（Partial-REID和Partial-iLIDS）相比基线模型也有较大的提升。在两个通用行人重识别数据集（Market-1501和DukeMTMC-reID）也取得了与当前最先进的行人重识别方法相当的效果。其次,我们提出了语义感知的遮挡鲁棒行人重识别（Semantic-Aware Occlusion-Robust Network,SORN）方法。该方法设计了一个三分支的网络结构,分别是全局分支、局部分支以及语义分支。局部分支在特征图竖直方向均匀划分矩形区域提取局部特征。由于网络高层的特征图具有较大的感受野,所以提取到的局部特征可以容忍一定程度的不对齐。全局分支利用一个新颖的空间块对比损失来提取到对遮挡鲁棒的全局特征。与此同时,语义分支可以生成行人图像的前景背景的分割图,从而可以显示出非遮挡的行人身体部位。这三个分支可以在一个统一的多任务学习的网络结构下进行联合训练。最终,我们选择使用全局特征以及来自非遮挡区域的局部特征来进行匹配。实验结果表明,我们的方法在跨域测试的两个非完整行人重识别数据集（Partial-REID和Partial-iLIDS）上取得了较大的性能提升。在大规模遮挡数据集（Occluded-DukeMTMC）上取得了比当前先进的行人重识别方法更好的性能。在两个通用行人重识别数据集（Market-1501和DukeMTMC-reID）也取得了较好的效果。