在如今的大数据时代，智慧城市的理念与建设蒸蒸日上，作为和谐社会的安全保障，监控摄像头可谓随处可见。监控视频下的行人属性识别通过统计整合信息实现对行人的信息结构化，这对于智能安防、刑事侦查、广告精准投放等领域具有至关重要的作用和意义。但是由于监控视频场景复杂，而且行人属性类别间的相关性和属性类别与空间位置间的关联较难挖掘，行人属性识别任务仍具有挑战性。
　　本文提出的基于语义分割的行人属性识别方法，针对行人属性识别的任务和数据特点，设计了基于视觉注意力的多分支网络结构，充分利用语义分割的优势，将属性语义信息视觉注意力和人体解析生成的空间注意力有效地融合。具体地，对于通用目标检测效率较低的问题，设计针对行人目标的实时行人检测算法，实现了速度与准确率的良好平衡。在行人跟踪方面，采用较为稳定的深度联合度量实时在线跟踪方法，并且为了提升行人库中的图像质量，对于同一个行人目标的图像采用通用图像质量评估方法进行筛选。在行人属性识别方面，针对行人属性识别中的数据分布不均衡问题，以及难以挖掘的属性之间的关联性，提出了带权重的多任务损失函数，并设计了基于视觉注意力机制的多分支残差网络。为了更好地利用行人属性类别与空间位置分布之间的关系，引入语义分割辅助信息，人体解析网络融合了分割图的语义特征表达和边缘图的边界感知特征，采用自我校正的迭代训练策略进行模型的训练。提出了人体解析分割图与属性识别特征图的融合方法，有效地将人体解析带来的空间信息应用到属性识别网络中，实现了属性之间以及属性和空间之间的强关联，并在基准数据集WIDERAttribute中取得了83.4%的较高准确率。