行人搜索是一项需要同时解决行人检测和行人重识别问题的计算机视觉任务。随着深度学习的兴起,行人搜索研究获得了快速的发展。然而现有的行人搜索技术仍然面临着很多挑战,诸如行人搜索中的身体部位未对齐问题。行人搜索中的身体部位未对齐问题是由不同的视角、不同的尺度、多变的姿势、遮挡以及身体部位缺失引起的。基于水平分割的对齐方法对人体的划分过于粗糙,无法使网络学习到不同身体部位的最佳局部细粒度特征。现有的基于关键点引导的对齐方法并不能很好地应对身体部位缺失导致的未对齐问题。此外,现存的所有身体部位对齐的方法都仅仅关注人体区域的特征,忽略了对行人搜索准确率有积极作用的部分背景特征,例如携带物和背景参照物等。本文围绕现有对齐方法存在的问题展开研究。针对现有的对齐方法忽略了有用的背景信息的问题,本文提出了身体部位和背景对齐的行人搜索网络。为了能够充分利用背景信息,该网络利用MaskRCNN网络生成的掩码信息分别为人体和背景区域生成局部细粒度特征。通过生成身体部位和背景对齐的特征来消除由多视角和多尺度造成的未对齐问题。为了使网络生成的全局特征和局部对齐特征更好地结合在一起,最终生成具有代表性的行人特征。本文设计了一种加权的特征连接方法,即给全局特征和局部对齐特征分别设置不同的权重,使全局特征和局部特征发挥各自的优势。为了使本文提出行人搜索网络能够更好的应对多姿态和遮挡造成的未对齐问题,本文采用基于关键点引导的方法对该网络做出改进,引入人体解析网络把裁剪后的行人图像分成7个人体部位和一个背景区域,以生成更鲁棒的对齐特征。针对身体部位缺失导致的未对齐问题,本文设计了一种特征重构的方法,该方法通过为查询图像和剪裁后的图库图像都存在的部位生成部位对齐特征的方式,来对齐具有不同身体部位的一对查询-图库图像。为了验证本文提出网络的有效性,本文在两个广泛应用的行人搜索数据集CUHK-SYSU和PRW上进行了实验,实验结果表明了本文提出的方法能够有效地解决多种因素造成的未对齐问题。对比行人搜索中的其他对齐方法,本文提出的方法表现更加突出、更具有竞争力。