现如今,人们普遍提高的公共安全意识使得智能视频监控系统已然成为生活中必不可少的一部分,行人再识别技术作为其中的关键算法,也备受关注。在实际监控场景中,由于拍摄角度的差异、行人走路姿势的变化、光线强弱的不同以及遮挡现象的存在,使得行人再识别技术面临诸多严峻的挑战。另外,由于有监督模型在训练的过程中需要大量人工标注的数据,而人工标记的代价十分昂贵,故本文侧重于研究无监督行人再识别相关问题。本文的主要创新点罗列如下:1.针对无监督行人再识别中,由于拍摄角度变化和行人姿态改变导致同一行人外在视觉表现差异比较明显问题,本文设计了样例级别和块级别的特征学习框架。首先提取样例级别的全局特征,对行人图像的整体加以关注,然后,为了进一步学习块级别的局部特征,分别将行人图像分成了三块、四块以及六块,最后将全局特征和局部特征进行融合,利用不同层次特征的互补性,有效增强了行人特征的表达能力,提高了对目标行人的识别准确率。同时,本文通过引入特征存储器机制存储行人图像在训练过程中所产生的中间特征,并利用该特征进行相似度计算,达到对行人图像分类的目的,从而实现了无监督学习任务。2.针对无监督域自适应问题,本文提出了基于注意力引导网络的无监督域自适应行人再识别方法。首先将非局部注意力模块分别嵌入到浅层网络和深层网络中,增强不同层次特征在空间层面的表达能力,然后进一步在深层网络中融合通道注意力模块,获取特征在通道层面的相互依赖关系,由此形成的注意力引导网络能够有效引导神经网络学习更具有判别性的域不变特征,缩小源域和目标域之间的分布差异,从而提高跨域模型的泛化性。