近年来,人工智能技术飞跃发展,人们生活也逐渐趋向智能化,计算机视觉相关技术在公共安全领域发挥着重要的作用。尤其在智能监控中,公共场所区域环境复杂,单个摄像头的视域有限,经常需要在多个不同摄像头拍摄到的视野里寻找某个特定行人。由于涉及到的数据量非常大,人工处理往往效率过低,此时有关行人重识别的研究应运而生,其主要目标是,高速准确地完成跨摄像头下的行人图像检索。由于行人图像都取自于监控摄像头,其所处环境十分复杂,背景、光照等因素干扰严重,另外神经网络对行人图像中不同尺度大小的属性信息关注度不一,针对这些问题,设计了基于孪生鉴别网络的行人重识别方法,主要研究内容包括以下两个部分:（1）设计了一个基于多尺度混合注意力的行人重识别方法。其特征提取网络由2个分支组成。多尺度混合注意力分支由多尺度学习模块和混合注意力模块组成,多尺度学习模块用空洞卷积堆叠的方式实现对行人图像的多尺度学习,混合注意力模块从注意力融合的角度出发,将简洁无参数层的空间注意力和通道注意力进行融合。引入批处理丢弃分支,其中的特征擦除模块,以batch为单位,随机将特征图某个区域内的像素值置0,加强网络对不同区域特征的关注。（2）使用上述模型作为孪生网络中的基础模型,设计了一个基于孪生鉴别网络的行人重识别方法,该网络对原始孪生网络进行改进,在特征提取子网络后接入一个全连接层以计算分类损失,充分考虑了身份id信息。并提出先对基础模型进行预训练、再对孪生鉴别网络微调的分阶段优化策略,测试阶段使用基于重排序的距离度量方法。设计对比实验,在三个主流的行人重识别数据集上进行实验验证,并将实验结果和一些主流方法的结果进行了比较分析,结果显示本文多尺度学习、混合注意力、特征擦除模块都对行人重识别性能有所提升,且通过引入孪生鉴别网络,最终模型的rank-1准确率和m AP在一定程度上优于现有的主流方法。