随着科技的发展,人们对社会公共安全的关注度逐渐提高,使得世界各地政府和学者在智能安防领域投入大量精力。安防系统无论是在民用还是在军用都有着不可或缺的地位,而安防最重要的手段之一就是视频监控技术。近年来,有很多学者在行人属性识别领域进行研究,也取得了很大的进展,从最初的手工设计特征结合传统机器学习方法到现在的深度学习算法,行人属性识别技术水平也在不断提高。但是目前大多数的研究都是基于单张图片进行的,而我们从摄像头中获取到的是视频数据,如何能够高效的在监控场景下进行基于视频的行人属性分析是未来的发展方向之一,因此本文工作便是基于视频基础上进行的,研究内容如下:（1）本文是基于视频基础上进行的行人属性识别研究。根据视频行人属性数据集特点,行人的ID属性和运动姿势属性共享特征可能会有功能竞争情况,因此将这两类属性分开识别,采用双通道识别模型,并在每个通道引入时间注意力机制。本文为挖掘属性标签的相关性,在标签间建模,针对行人ID属性通道,提出了一种基于图卷积网络的属性识别分类器。首先对输入帧进行时间信息上的挖掘,利用时间注意力模型,判断输入帧的重要性,得到带有时间特征的图像级表示。基于图卷积的属性识别分类器将ID属性标签作为输入,经过图卷积操作在标签间进行建模,学习节点间的隐信息,挖掘标签间的联系,将得到的相互依赖的属性分类器引入到图像表示的网络中,以实现端到端的训练。（2）本文为挖掘空间信息与属性信息间的关系,针对运动姿势属性通道引入了时空注意力模块。该通道属性为站立、跑步、骑车等运动姿势属性和正面侧面等角度属性,因此需要利用时空信息进行属性识别。时空注意力模块中的时间注意力侧重时序特征,空间注意力侧重空间特征,采用多空间注意力模型从不同角度提取空间特征,然后进行特征融合,得到输入图像序列的时空特征,这样能够增强输入的时空信息,进而对行人的运动姿势进行分类。本文分别在两个视频数据集上对上述两个工作进行了实验验证,并与其他方法工作进行了比较,结果表明无论是行人ID属性还是运动姿势属性,本文方法的识别性能均有一定的提高,实验结果验证了本文方法的有效性和可靠性。