注意力机制在行人重识别（ReID）中变得越来越有吸引力，因为它能够将可用资源偏向输入信号中最具有信息量的部分。然而，现有的最先进方法主要集中在粗略或一阶注意力设计上，例如空间和通道注意力，而很少探索更高阶的注意力机制。本文旨在解决这一问题。首先，我们提出了高阶注意力（High-Order Attention, HOA）模块，以建模和利用注意力机制中的复杂高阶统计信息，从而捕捉行人间的细微差异并生成具有区分性的注意力提议。其次，我们将行人重识别重新思考为一个零样本学习问题，并提出混合高阶注意力网络（Mixed High-Order Attention Network, MHN），以显式方式进一步增强注意力知识的区分性和丰富性。我们在三个大规模数据集（包括Market-1501、DukeMTMC-ReID和CUHK03-NP）上进行了大量实验，验证了我们的MHN在行人重识别方面优于多种现有最先进方法的优势。代码可在http://www.bhchen.cn/获取。