行人属性作为一种高级语义特征,对照明、姿势改变等具有鲁棒性,已经被广泛用于行人重识别和视频分析中.为了提高监控场景下行人属性识别(pedestrian　attribute　recognition,PAR)的准确性,结合最新的人工智能(artificial　intelligence,AI)解释性研究,从机器注意的角度出发,综合考虑属性间的互斥性以及依赖性,提出一种限制神经网络注意的多任务行人属性识别方法.首先,根据神经网络对各属性的不同关注区域将行人属性识别划分为多个子任务;然后,通过端到端网络模型和辅助分类损失函数的设计,控制各子任务之间的信息共享,鼓励子任务内部属性相互竞争,不同子任务之间的属性相互促进;最后,融合各子任务的信息进行行人属性的预测.经过实验,该方法在2个监控场景中的公开数据集上取得了最佳的精度,证明了该方法的有效性.