Los métodos de re-reconocimiento de personas existentes suelen sufrir de una capacidad de generalización pobre y problemas de sobreajuste causados por muestras de entrenamiento insuficientes. Encontramos que los atributos de alto nivel, la información semántica y la alineación de información local basada en partes son útiles para las redes de re-reconocimiento de personas. En este estudio, proponemos una red de re-reconocimiento de personas con características mejoradas por atributos basados en partes. El modelo incluye un módulo de aprendizaje multitarea, un módulo de alineación de información local y un módulo de aprendizaje de información global. La ResNet basada en normalización no local e IBN aprende representaciones de características más discriminativas. El módulo multitarea, el módulo local y el módulo global se utilizan en paralelo para la extracción de características. Para prevenir mejor el sobreajuste, el módulo de alineación de información local transforma la alineación de actitud de peatones en alineación de información local para ayudar en el reconocimiento de atributos. Se realizan experimentos extensos en los conjuntos de datos Market-1501 y DukeMTMC-reID, cuyos resultados demuestran que la efectividad del método es superior a la mayoría de los algoritmos actuales.