现阶段行人重识别一般只考虑二维特征，将各个特征点统一处理，存在特征提取不足的问题，故提出基于无参注意力的行人重识别（PFNet）来解决上述问题．该模型在Res Net-50网络上进行改进，分别在第一个残差块和第三个残差块后引入无参注意力机制，该注意力机制能根据图片本身特点赋予各特征点合适的权重，可以保留更丰富的信息特征且不会引入额外参数．接着使用自适应平均池化层保留主要特征且捕捉特定域的判别特征，然后使用ID损失、三元组损失和自适应加权排序损失的联合损失函数来训练模型．算法在Market-1501、DukeMTMC-reID和CUHK03三个主流的行人重识别数据集上的首位命中率分别达到95.5%、90.9%和84.3%，平均精度均值分别达到89.6%、81.6%和82.0%．实验结果表明，使用注意力和联合损失函数的策略可以提高模型精度．