行人重识别技术,作为人脸识别的一项补充技术,在视频监控领域得到了广泛地应用。行人重识别可以根据行人的整体外观、姿态、步态等信息对行人进行认知,实现跨摄像头跨场景下行人的识别与检索。行人重识别目前在公开的数据集上取到了不错的效果,而在现实场景中,由于光照、背景、摄像机的分辨率以及拍摄角度等问题,实际应用的效果远远低于学术场景。主要原因在于模型提取的行人特征的表征力不佳,以及数据样本集的不充足,使得模型鲁棒性较差。基于以上背景,本文将从模型与数据两方面提升行人重识别的效果,主要研究内容如下:（1）本文着重设计了一款全新的注意力机制,其中融合非局部注意力和比单一空间注意力与通道注意力更有效的混合注意力的思想,使得在增加有限复杂度的情况下,嵌入该注意力机制模块的行人重识别模型可以更好地识别行人的鉴别性特征,从而有效提升性能。（2）再利用生成对抗模型,作为数据增强的一种手段,本文提出一套完整的生成式数据增强方案,其中还制作了一种通过结合聚类算法为生成的图像样本自动分配ID标签的标注生成方法。（3）最后通过一系列行人检测、目标跟踪算法,再联合行人重识别与聚类过程,收集一个真实场景下的行人重识别数据集,并将本文提出的注意力模块和数据增强两种方法运用在此真实场景下,通过实验验证二者对于行人重识别任务的实用性。综上,本文将运用全新的注意力机制与生成式数据增强方法来达到行人重识别模型性能提升的目的,并在真实场景中收集的数据集上加以检验,证实上述方法的有效性。