在全球和局部特征结合方面，提高行人重识别（Re-ID）任务的判别性能已成为一种关键解决方案。以往基于部分的方法主要集中在定位具有特定预定义语义的区域以学习局部表示，这增加了学习难度，并且在具有较大变化的场景中不够高效或鲁棒。本文提出了一种端到端的特征学习策略，将不同粒度的判别信息进行整合。我们精心设计了多粒度网络（Multiple Granularity Network, MGN），这是一种多分支深度网络架构，包含一个用于全局特征表示的分支和两个用于局部特征表示的分支。我们不是在语义区域上进行学习，而是将图像均匀划分为若干条带，并在不同的局部分支中改变部分的数量，以获得具有多种粒度的局部特征表示。在主流评估数据集 Market-1501、DukeMTMC-reID 和 CUHK03 上进行的全面实验表明，我们的方法稳健地达到了最先进水平，并且大幅超过了现有的所有方法。例如，在 Market-1501 数据集的单查询模式下，经过重新排序后，我们取得了 Rank-1/mAP=96.6%/94.2% 的最先进结果。