行人重识别（person re-identification，简称person re-ID）通常被视为一个图像检索问题。该任务旨在从大规模图像库中检索出与查询行人匹配的图像。在实际应用中，行人重识别通常采用自动检测器获取裁剪后的行人图像。然而，这一过程会引入两类检测器误差：背景信息过多以及人体部分缺失。这两类误差均会降低行人图像对齐的质量，并由于位置与尺度的差异，影响行人匹配的准确性。为解决上述对齐问题，本文提出可通过识别过程本身来学习对齐信息。为此，我们引入了行人对齐网络（Pedestrian Alignment Network, PAN），该网络能够在无需额外标注信息的前提下，实现判别性特征嵌入学习与行人图像的自适应对齐。我们的关键观察是：当卷积神经网络（CNN）学习区分不同身份时，其生成的特征图通常在人体区域表现出强烈的激活，而背景区域的激活则较弱。基于这一注意力机制，所提出的网络能够自适应地在边界框内定位并对齐行人图像。可视化结果表明，使用PAN后，行人的对齐效果显著提升。在三个大规模重识别数据集上的实验结果表明，PAN有效增强了特征嵌入的判别能力，并在性能上达到与当前最先进方法相当的水平。