在深度神经网络技术的推动下，行人重识别（Re-ID）技术已取得显著进展。近期研究表明，对抗样本能够轻易欺骗Re-ID系统，仅通过人眼难以察觉的微小扰动即可实现显著的攻击效果。然而，本文发现，现有研究在初始攻击阶段存在梯度一致性较低的问题，这严重限制了其攻击有效性。为应对这一挑战，本文提出了一种全局聚合梯度引导攻击（ GAGA）方法，以进一步提升针对Re-ID系统的攻击迁移性。具体而言，GAGA首先在每次迭代前执行梯度预收敛操作以获取全局聚合梯度。其次，GAGA根据全局聚合梯度与当前梯度的一致性来自适应的调整更新方向，从而提升迁移性。 该研究为行人重识别模型的安全性研究提供了新的思路。