行人属性识别是视频监控领域中的重要任务,因其在视频监控应用中的巨大潜力在近些年来受到了广泛关注,它可以应用于很多下游任务中,例如行人追踪,人脸验证,行人检索等。行人属性识别任务属于计算机视觉领域中的多标签图像分类任务。多标签图像分类任务的研究重点在于如何利用标签之间的共现关系辅助模型提升分类性能。目前最先进的共现关系建模方法是图神经网络,但它存在两个严重影响性能的问题:1)低频标签无法有效的从高频标签中迁移特征信息导致低频标签分类性能不佳。2)大量图节点不参与图神经网络的信息传递过程,导致图神经网络发生严重的退化。对于图神经网络存在的问题,本论文通过分析行人属性出现的频率和条件概率,提出了一种新的定义共现关系图的方法,并与原有方法相结合,提出了一个基于非对称共现依赖关系图的行人属性识别模型,这个模型能够提升低频行人属性的识别性能并有效的缓解图神经网络的退化问题。注意力机制也是提升行人属性识别任务性能的重要手段之一。然而,由于行人图片质量不佳以及缺乏有效的监督信号等问题,现有的基于注意力机制的模型在行人属性识别任务中通常无法准确的定位与特定行人属性高度相关的图像特征。对于注意力机制存在的问题,本论文使用一种基于词向量语义指导的空间注意力机制模块改进行人属性识别模型,词向量包含了行人属性的语义信息,可以作为一种先验知识对缺乏监督信号的问题进行弥补,并指导注意力机制模块准确的定位与特定行人属性高度相关的图像特征。本文的主要贡献如下:（1）提出了一种基于非对称共现依赖关系图的模型,并在多个数据集上使用多个主干网络进行实验,实验结果表明该方法能够将m AP提升0.6%～3.3%。（2）提出了一种基于词向量语义指导的空间注意力机制模块的行人属性识别模型,在行人属性识别数据集中相比于常规图像分类模型以及不使用词向量语义指导的注意力机制模型来说,m AP提升1.1%～1.9%。（3）将两种改进方法进行结合,相比于单独使用某一种改进方法能够将m AP进一步提升0.4%～0.6%。图14幅,表7个,参考文献53篇。