行人重识别任务主要是给定一张行人图像,在一个大型的图片库中去匹配到该行人的另一张图像。近些年来不断涌出的基于深度网络的行人重识别算法在很多大型数据集上都持续刷新记录。由于现实情况下可能会存在各种遮挡物体,很多用于解决行人重识别任务的模型并不能很好地适用于存在很多遮挡的数据。因此,本文研究了在遮挡情况下的行人重识别,根据对遮挡数据的不同处理,将分为局部行人重识别和遮挡行人重识别两个子任务分别去研究。局部行人重识别中的查询图片是将遮挡部位裁剪掉后得到的部分行人图片,在这个任务中,主要有两个难点,第一个是缺乏大型的可以用来进行深度学习的数据集,第二个是如果直接将部分行人与完整行人计算距离,会导致没有对齐的问题。本文首先利用数据增广的方式去解决数据匮乏的问题,然后提出了一个与遮挡数据类型相关的损失函数让网络识别不同的部分行人图像,在测试的时候,网络针对不同的局部行人图像会预测一个裁剪类型标签,根据这个裁剪类型标签,对待匹配的图片库中的图像做相应的裁剪,送入网络中提取特征,再与查询图像计算距离,这样可以减少查询图像与待匹配图片库中图像的非共有区域给识别过程带来影响,很好地对齐了部分行人图像与完整行人图像。本文提出的模型在两个局部行人数据集上均取得了最好的结果。针对遮挡行人重识别问题,本文提出的模型融入了人体姿态信息。由于遮挡物体的存在,在匹配过程中,很容易计算一张图片的遮挡部位与另一张图片的人体区域部位的距离,这样引入的干扰会对重识别造成很大的影响。本文将人体关键点的信息融入到基础网络提取到的特征图中,通过一系列池化操作将特征分为局部分支与全局分支,在测试的时候,根据姿态信息包含的关键点位置对行人的遮挡部位进行判断,选择出同时可见的部位特征进行距离计算,忽略非共有部位的特征,减少遮挡部位的影响。本文提出的应用于遮挡行人重识别任务的模型在两个遮挡数据集上均取得了最好的结果。