Die Aufmerksamkeit ist im Bereich der Personenerkennung (ReID) zunehmend attraktiv geworden, da sie in der Lage ist, die Verteilung der verfügbaren Ressourcen auf die informativsten Teile eines Eingangssignals zu beeinflussen. Dennoch konzentrieren sich fortschrittliche Arbeiten hauptsächlich auf grobe oder erste Ordnung von Aufmerksamkeitsdesigns, wie z.B. räumliche und kanalbezogene Aufmerksamkeit, während selten höhere Ordnungen von Aufmerksamkeitsmechanismen erforscht werden. Wir machen einen Schritt in Richtung der Lösung dieses Problems. In dieser Arbeit schlagen wir zunächst das Modul für Hochordnungs-Aufmerksamkeit (HOA) vor, um komplexe und hochrangige statistische Informationen im Aufmerksamkeitsmechanismus zu modellieren und zu nutzen. Dies ermöglicht es uns, die feinen Unterschiede zwischen Personen zu erfassen und diskriminierende Aufmerksamkeitsvorschläge zu erzeugen. Anschließend betrachten wir die Personenerkennung als ein Problem des Lernens ohne vorgelagerte Beispiele (Zero-Shot Learning), und wir schlagen das gemischte Netzwerk für Hochordnungs-Aufmerksamkeit (MHN) vor, um die Diskriminierungsfähigkeit und Vielfalt der Aufmerksamkeitswissen explizit weiter zu verbessern. Um die Überlegenheit unseres MHN für Personenerkennung gegenüber einer Vielzahl von fortschrittlichen Methoden auf drei großen Datensätzen, einschließlich Market-1501, DukeMTMC-ReID und CUHK03-NP, zu überprüfen, wurden umfangreiche Experimente durchgeführt. Der Quellcode ist unter http://www.bhchen.cn/ verfügbar.