行人再识别的目的是在智能视频监控系统非重叠摄像机视角下对同一行人进行识别匹配。该技术在实际生活中的很多领域有着越来越多的应用,包括公共安全、行为分析和交通流分析等。受光照变化、背景复杂、行人姿态变化和行人被遮挡的影响,行人再识别技术面临着巨大的挑战,成为计算机视觉领域的研究热点和难点。为了能更好地解决这些问题,本文引入了多种注意力机制,重点对于视频行人再识别技术进行了深入研究,有效地提升视频行人再识别方法的性能。论文的主要研究内容及创新点如下:（1）针对于视频行人再识别中背景混乱和空间未对齐的问题,本文提出了一种深度卷积注意块和全局-局部融合网络,利用注意力机制来解决背景混乱问题并提取全局和局部特征来解决行人空间未对齐问题。具体来说,该网络包含两部分,其中第一部分引入了卷积块注意力模块,该模块会沿通道和空间维度生成注意力图,引导网络自动的关注重要的行人特征并抑制不必要的背景特征。第二部分设计了一个特征聚合层,在视频序列中结合全局特征和局部特征,来获取鲁棒的和更具辨别性的特征表示来应对行人未对齐的问题。（2）针对于视频行人再识别中目标行人被物体或非目标行人遮挡和背景复杂问题,本文提出了一种新颖的三重注意力网络,该网络采用自注意力机制来获得鲁棒和区分性的视频级特征,同时利用了时间,空间和通道的上下文信息。具体来说,该网络包含两个部分,其中第一部分引入了残差注意力子网络,该网络包含通道注意力模块和空间注意力模块,通道注意力模块建立通道维度和空间维度之间的依赖关系,通过捕获跨维度交互关注更加准确的行人特征。空间注意力模块利用不同位置中丰富的上下文依赖性来加强行人的特征表示。第二部分设计了一个时间注意力模块来评估每个行人的质量得分从而增加关键帧的权重,减小其他帧权重,有效地解决了遮挡问题。本文在三个数据集i LIDS-VID,PRID2011和MARS上评估了本文提出的两种方法。大量的对比实验表明,本文提出的方法能够学习到具有鲁棒性和辨别性的特征,有效地提高了行人再识别的识别率。