给定从摄像头获取的某个人的视频或图像，人员再识别是指从不同摄像头拍摄且视角不重叠的视频或图像中检索出该人的所有实例。此任务在多个领域有应用，如监控、法医学、机器人学和多媒体等。本文提出了一种新颖的框架，称为显著性-语义解析再识别（SSP-ReID），旨在利用显著性和语义解析图这两种线索的优势，引导主干卷积神经网络（CNN）学习互补表示，从而提高原始主干网络的结果。融合多种线索的思路基于特定场景下某一响应优于另一响应的情况，因此通过结合这些线索可以提升性能。由于其定义明确，我们的框架可以轻松应用于各种网络，并且与其它竞争方法相比，我们的训练过程遵循简单和标准的协议。我们通过五种主干网络和三个基准数据集对所提出的方法进行了广泛的评估。实验结果证明了我们人员再识别框架的有效性。此外，我们将该框架与重新排序技术相结合，在三个基准数据集上达到了最先进的效果。