在监控系统智能化以前,通常使用人工识别来检索监控系统中的行人目标。但是,随着安防产业在城市中的广泛普及,监控系统的重要性日益突出,监控摄像头的数量也在不断增加,人工识别的检索性能已经难以满足城市监控系统的海量数据处理,这给监控系统的检测工作带来了艰巨的挑战。除了需要大量的人力成本之外,人工识别会使目标搜索的准确度偏低,从而导致错误的人像检索或者遗漏人像的检索。因此,人工智能辅助行人重识别的研究也有了积极的社会意义,通过检索行人属性辅助行人重识别从而提高检索性能也逐渐成为研究热点。由于在现实图像中行人属性复杂多样,导致了行人属性识别任务在研究过程中也遇到了种种阻碍。为了应对当前监控场景下行人属性识别面临的主要挑战:摄像头的模糊像素以及行人外观的多样性,本文以卷积神经网络为基础结构,结合注意力机制和卷积长短期记忆神经网络从不同的层面上提取图像特征,对行人属性识别的问题进行了深入研究,具体工作如下:（1）提出了一个具有注意力机制的神经网络模型,由通道注意力模块和空间变换模块组成。首先注意力机制模块通过引入一种新的权重学习方法,在训练中调整获得的特征权重,对属性识别有积极影响的特征通道加权。其次提出了属性定位模块,自适应地从特征映射中定位到与属性相关的注意力分布区域,通过空间变换模块定位单个属性对应的注意力区域。最后,通过改进的损失函数计算网络预测的损失。（2）提出了一个卷积长短期记忆神经网络,突破注意力机制作用于单属性识别网络的局限性,通过长短期记忆网络存储的历史信息来引导属性之间的内部关联,挖掘属性组间的相关性,优化预测序列,送入单属性分类器对行人属性进行预测,并连接多个单属性分类器作为最后的分类结果。本文提出的方法在Market-1501和Duke MTMC-re ID两个数据集中取得了较好的识别效果,在Market-1501数据集上达到了92.9%的准确率,在Duke MTMC-re ID上达到了90.9%的准确率。实验结果表明,本文所提的方法能够实现有效的行人属性识别。