行人重识别（Person Re-Identification）指跨摄像机行人检索,其目标是通过检索得到同一个行人在不同摄像机下的图像。特征提取是行人重识别的第一个步骤,但是由于行人的运动、目标检测算法的使用以及不同摄像机所处的环境差异等,行人的图像中存在多种不对齐问题。这些不对齐问题会使得图像中行人的外观特征产生偏差,进而影响行人重识别的精度。在本文中,我们研究了行人图像的特点,并将不对齐问题划分为三个主要类别:姿势改变、身体方向改变、误检测。针对这三种问题,我们基于深度学习的方法分别提出了解决方案,并进一步提出了同时消除多种不对齐问题的特征提取网络。本文的贡献可以分为以下四个方面:针对行人在不同摄像机下呈现出不同的身体姿势的问题,我们提出了基于注意力机制的行人区分性区域特征提取方法。通过分区域提取特征,避免了姿势信息对行人外观特征的干扰。针对行人图像中存在不同身体方向的问题,我们提出了对行人方向敏感的特征提取方法,实现了适应行人身体方向变化的不变性特征提取。针对行人重识别数据中普遍存在的误检测图像,我们设计了误检测校正子网络。通过使用空间变换对行人图像进行自动对齐,消除了误检测对于行人特征的干扰。由于行人图像中同时存在多种不对齐问题,我们将上文提出的三种解决方案融合为一个统一的网络结构,提出了消除多种不对齐问题的行人特征提取网络。通过可视化分析和在多个数据集上测试,证明了我们的方法能够在提取行人特征的同时消除多种不对齐问题,并有效提升行人重识别精度。