近年来,随着计算机视觉的蓬勃发展,行人重识别作为一个热门的应用领域也吸引了众多研究者。行人重识别旨在利用目标人员的一张照片,在多个监控设备拍摄的画面中找到该人员的其他照片,具有重要的安防意义。然而行人重识别数据集标注步骤繁琐,过于费时费力,因此完全人工标注大规模的数据集难以实现。为了克服这个问题,一些学者提出了弱监督下的行人重识别问题,即每个行人只有少量样本是有标签的,其余大量样本都是未标注的。由于弱监督情形下可利用的已标注样本过少,如何充分挖掘这些样本的有判别力的特征成为一个值得探究的问题。本文聚焦于此问题,提出了一些提升弱监督下行人重识别任务的特征判别力的方法,主要研究成果如下:（1）本文提出了一种基于局部特征与全局特征融合的单标注样本下的行人重识别方法。单标注样本学习是一种更为苛刻的弱监督情形,每个行人有且仅有一个已标注的样本,其他所有样本都是未标注的,由于可利用的已标注样本极其少,因此挖掘出样本鲁棒且具有判别力的特征成为迫在眉睫的任务。为了增强特征丰富性,本文设计了全局特征学习分支和局部特征学习分支,并以适应性的方式将两个分支融合,增强了特征的判别力。其中,局部特征由四个水平分割的局部区域单独提取特征获得。为了对抗图像未对齐问题,本文还提出了一种适应性的损失函数来更好地平衡全局特征损失和局部特征损失。本文整体上使用了渐进式的学习策略,来逐步添加未标注样本进入训练集,以此来可靠地利用未标注样本。大量的实验结果证明了该方法具有较好的效果和稳定性。（2）本文提出了一种监督情形和弱监督情形下的基于解耦的自注意力模块的行人重识别方法。我们观察到传统的自注意力模块在行人重识别任务中的表现不稳定,为了探究这个问题,本文将自注意力模块解耦后发现自注意力相似度计算中用于衡量语义响应程度的范数和衡量语义差异的夹角余弦尺度差异较大,范数占领了主导性的地位,然而基于数学推理和实验论证可以发现夹角余弦应该具有更重要的作用。为了平衡语义响应程度和语义差异在自注意力相似度计算中的贡献,本文提出了一种用于行人重识别任务的自注意力模块通用范式来控制范数和夹角余弦的尺度,并且引入了不同的非线性映射来增强模型的表达能力。此外,本文还设计了一些高效的范数激活函数和角度激活函数。多个数据集上的实验验证了这种方法的鲁棒性和高效性。