行人重识别主要研究如何识别不同监控摄像机拍摄的特定行人,近年来随着智慧城市建设的不断发展得到越来越多的关注。现有的行人重识别方法仍然面临着成像视角变化、行人姿态变化、光线变化以及行人被遮挡等问题的挑战。为了有效解决以上问题,本文以深度卷积神经网络为基础,通过引入属性识别和注意机制来增强神经网络获得高层语义信息和空间信息的能力,从而提高整个行人重识别系统的性能。本文首先提出了融合属性识别的行人重识别网络。该网络为了获得更好的高层语义信息引入了属性信息,并提出通过增加特征维度的方法区分属性空间和行人身份空间,使得属性识别任务和行人重识别任务可以很好地相互促进。然后本文提出了融合注意机制的行人重识别网络。该网络的创新点在于提出了特征注意模块,使用残差结构融合空间注意和通道注意,使得网络得到的特征更加突出行人的空间位置。该网络还利用骨干网络不同阶段的输出特征构建分支并在分支中嵌入特征注意模块,从而更好的发挥该模块的作用。但注意行人整体并不能使行人重识别系统很好的区分不同行人的细微属性差别,本文通过在融合注意机制的行人重识别网络中加入属性识别来克服以上的缺陷,提出属性识别和注意机制共同作用的行人重识别网络。该网络构建了属性识别分支将不同阶段的特征结合,并利用特征注意模块挖掘其中的高层语义信息和空间信息。该网络的输出会将分支和骨干网络的特征相融合形成最终的行人特征表示。在Market-1501和DukeMTMC-reID两个数据集上进行的实验表明本文提出的三个网络的准确率相比基础网络都有明显的提高,且属性识别和注意机制共同作用的网络性能最优,超过了目前大部分的研究方法,Rank1分别达到了93.9%和84.6%,而mAP分别达到了81.7%和70.7%。同时属性识别准确率均值也达到了92.4%和91.3%。