行人搜索旨在联合解决行人检测与行人重识别（re-ID）任务。现有方法多基于Faster R-CNN设计端到端网络，然而由于Faster R-CNN采用并行结构，所提取的特征源自区域建议网络（Region Proposal Network）生成的低质量候选框，而非最终检测得到的高质量边界框。由于行人搜索是一项细粒度任务，此类低质量特征会显著降低重识别性能。为解决该问题，本文提出一种顺序式端到端网络（Sequential End-to-end Network, SeqNet），用于提取更优特征。在SeqNet中，检测与重识别被建模为一个渐进式过程，并通过两个子网络依次完成。此外，我们设计了一种鲁棒的上下文二分图匹配算法（Context Bipartite Graph Matching, CBGM），以有效利用上下文信息作为行人匹配的重要补充线索。在两个广泛使用的行人搜索基准数据集CUHK-SYSU和PRW上的大量实验表明，所提方法取得了当前最优的性能。同时，该模型在单张GPU上可达到11.5 fps的推理速度，且能够轻松集成至现有的端到端框架中。