随着社会经济和科技的快速发展,公共安全领域成为人们关注的焦点之一。作为公共安全的重要一环,智能监控被广泛应用于各种领域,如嫌犯追踪、走失人口寻回和异常行为监测等。大量监控设备持续工作所产生的视频内容繁多,通过人工分析难以快速准确地提取有用信息。针对这些问题,智能监控系统使用行人重识别算法检索目标行人,辅助相关工作人员完成安防和刑侦工作,助力公共安全事业发展。行人重识别为非重叠视角域多摄像头网络下进行地行人匹配,即确认不同位置的摄像头在不同的时刻拍摄到的行人目标是否为同一人,属于图片检索。近年来,基于深度学习的行人重识别研究在完整行人数据集中取得了显著突破,然而,监控设备总是被安装在机场、学校、商城等人流密集的公共场所,其采集到的行人图像经常被固定的物体或来自同一场景的其他行人遮挡。对于遮挡行人图像,完整行人重识别算法表现欠佳。为了解决这一问题,提高行人重识别算法在实际应用中的性能,本文设计了基于自动数据增强和混合注意力的遮挡行人重识别算法。论文主要工作包括以下两点:1)针对数据增强方法大多由手工设定的问题,本文提出基于深度强化学习的自动数据增强算法。遮挡行人重识别中的数据增强方法一般由人工选定,这需要花费大量的时间和精力。本文提出使用近端策略优化算法（proximal policy optimization,PPO）在指定的策略搜索空间中自动构建合适的数据增强策略。自动数据增强方法包含一个由循环神经网络构成的控制器和一个由卷积神经网络构成的子网络,控制器输出数据增强策略,子网络评估数据增强策略,控制器根据子网络的评估结果优化网络参数,调整输出策略,最终自动构建合适的数据增强策略。自动数据增强方法相对于人工方法节约了时间成本,而且具有较好的泛化性能,所学习到的数据增强策略可以应用于其他遮挡行人数据集。2)针对行人重识别算法在遮挡数据集中表现较差的问题,本文提出利用混合注意力网络解决行人遮挡问题。在医院、学校等人流密集场所,监控摄像头拍摄到的行人图像属于被遮挡行人图像的概率很大,所以忽视了遮挡问题的完整行人重识别方法在实际应用中存在缺陷。本文针对遮挡问题特别设计了三个创新模块,分别是局部特征学习模块、注意力增强模块和二阶注意力模块。局部特征学习模块使用姿态提取网络检测行人身体坐标并根据身体坐标提取可见局部特征,通过这种方法遮挡物和背景被移除。注意力增强模块使用通道和位置注意力共同增强了可见局部特征。二阶注意力模块利用身体部位之间的高关联度使网络更关注身体部位之间地关系,抑制了背景和遮挡物地表达。最后,为了评估算法效果,本文所提出的方法分别在完整行人数据集、遮挡行人数据集和局部行人数据集上进行验证实验。实验结果证明我们的方法在多个基准数据集中均获得了较好效果。