La recherche de personnes vise à résoudre conjointement la détection de personnes et la réidentification de personnes (re-ID). Les travaux existants ont proposé des réseaux end-to-end basés sur Faster R-CNN. Toutefois, en raison de la structure parallèle de Faster R-CNN, les caractéristiques extraites proviennent des propositions de basse qualité générées par le réseau de propositions de régions (RPN), plutôt que des boîtes englobantes de haute qualité détectées. La recherche de personnes étant une tâche fine, de telles caractéristiques de faible qualité réduisent significativement les performances de réidentification. Pour remédier à ce problème, nous proposons un réseau séquentiel end-to-end (SeqNet) permettant d’extraire des caractéristiques de meilleure qualité. Dans SeqNet, la détection et la réidentification sont traitées comme un processus progressif, abordées successivement par deux sous-réseaux. Par ailleurs, nous avons conçu un algorithme robuste de correspondance bipartite basé sur le contexte (CBGM) afin d’exploiter efficacement les informations contextuelles comme un indicateur complémentaire important pour la correspondance entre personnes. Des expérimentations étendues sur deux benchmarks largement utilisés pour la recherche de personnes, à savoir CUHK-SYSU et PRW, montrent que notre méthode atteint des résultats de pointe. De plus, notre modèle fonctionne à 11,5 fps sur une seule GPU et peut être facilement intégré dans les cadres end-to-end existants.