基于视频的行人重识别在智能监控、公共安全等领域发挥着重要作用。在视频行人重识别中,行人视频特征的提取可以分为图像特征的提取和融合两部分,其中图像特征的提取,得益于卷积神经网络的发展和应用,变得较为方便快捷,因而众多科研人员从特征融合的角度提出创新和改进。本文也从该角度出发,提出以下改进方法:1.基于时序信息的通道注意力模块及其特征融合方法。特征融合过程中需要使用注意力模块来筛除噪声图像特征中的干扰信息。一方面,相比时间和空间注意力模块,通道注意力模块在特征修饰粒度上具有天然优势。另一方面,目前基于通道注意力模块的特征融合方法研究偏少,而且往往注重图像的特异性和空间信息而忽略了视频的整体性和时序信息。基于上述原因,本文提出一种通道注意力模块,通过构造临时视频特征来挖掘视频的时序信息和整体性质,实验证明该方法相比基础模型在三个公开数据集上分别提升了2.4%,4%和0.7%。2.基于时空联合信息的通道注意力模块及其特征融合方法。为了联合利用行人视频中的时序信息和空间信息,本文将构造的临时视频特征和图像的空间特征同时纳入通道注意力生成模块中。该方法兼顾了视频特征的整体性和图像特征的特异性,同时挖掘视频中的时序线索和图像特征中的空间信息。实验证明该方法相比基础模型在三个公开数据集上分别提升了3.1%,12%和1.3%。3.基于正交化约束的特征融合方法。一方面,行人视频中连续图像之间的差别往往细微,对应的图像特征也趋同,因此融合过程中不可避免地会存在信息冗余。另一方面,借鉴前人关于正交化在图像特征提取方面的研究成果可知,引入正交化可以增加同一特征不同部分的差异性,从而使得图像特征多样化。因此本文提出了一种正交化约束方法,通过对行人视频中图像特征之间的相似度矩阵的约束,使得网络关注不同图像的不同区域,继而达到增大图像特征差异性,降低融合后视频特征信息冗余度的目的。实验证明该方法相比基础模型在三个公开数据集上分别提升了1.5%,8.3%和0.7%。