针对行人重识别任务跨域迁移时性能严重衰退的问题，提出了一种基于注意力机制学习域内变化的跨域行人重识别方法。首先，以ResNet50为基础架构并对其进行调整使其适合行人重识别任务，并引入实例-批归一化网络（IBN-Net）以提高模型的泛化能力，同时增加区域注意力分支以提取更具鉴别性的行人特征。对于源域的训练，将其作为分类任务，使用交叉熵损失进行源域的有监督学习，同时引入三元组损失来挖掘源域样本的细节，从而提高源域的分类性能。对于目标域的训练，通过学习域内变化来适应源域和目标域间的数据分布差异。在测试阶段，以ResNet50 pool-5层的输出作为图像特征，并计算查询图像与候选图像间的欧氏距离来度量两者的相似度。在两个大规模公共数据集Market-1501和DukeMTMC-reID上进行实验，所提方法的Rank-1准确率分别达到80.1%和67.7%，平均精度均值（mAP）分别为49.5%和44.2%。实验结果表明，所提方法在提高模型泛化能力方面性能较优。
