diff --git a/deploy/pphuman/README.md b/deploy/pphuman/README.md
index da5e0748f271e3eabf795aada94bcf06f75c72ae..e9a9e466ecbf452de868863276a6dba76c2967f4 100644
--- a/deploy/pphuman/README.md
+++ b/deploy/pphuman/README.md
@@ -130,7 +130,7 @@ PP-Human整体方案如下图所示
 
 ### 1. 目标检测
 - 采用PP-YOLOE L 作为目标检测模型
-- 详细文档参考[PP-YOLOE](configs/ppyoloe/)
+- 详细文档参考[PP-YOLOE](../../configs/ppyoloe/)
 
 ### 2. 多目标跟踪
 - 采用SDE方案完成多目标跟踪
@@ -142,15 +142,15 @@ PP-Human整体方案如下图所示
 - 使用PP-YOLOE + Bytetrack得到单镜头多目标跟踪轨迹
 - 使用ReID（centroid网络）对每一帧的检测结果提取特征
 - 多镜头轨迹特征进行匹配，得到跨镜头跟踪结果
-- 详细文档参考[跨镜跟踪](doc/mtmct.md)
+- 详细文档参考[跨镜跟踪](docs/mtmct.md)
 
 ### 4. 属性识别
 - 使用PP-YOLOE + Bytetrack跟踪人体
 - 使用StrongBaseline（多分类模型）完成识别属性，主要属性包括年龄、性别、帽子、眼睛、上衣下衣款式、背包等
-- 详细文档参考[属性识别](doc/attribute.md)
+- 详细文档参考[属性识别](docs/attribute.md)
 
 ### 5. 行为识别：
 - 使用PP-YOLOE + Bytetrack跟踪人体
 - 使用HRNet进行关键点检测得到人体17个骨骼点
 - 结合100帧内同一个人骨骼点的变化，通过ST-GCN判断100帧内发生的动作是否为摔倒
-- 详细文档参考[行为识别](doc/action.md)
+- 详细文档参考[行为识别](docs/action.md)
diff --git a/deploy/pphuman/docs/attribute.md b/deploy/pphuman/docs/attribute.md
new file mode 100644
index 0000000000000000000000000000000000000000..860007f9da002190ccebcef98e8a659cd6884724
--- /dev/null
+++ b/deploy/pphuman/docs/attribute.md
@@ -0,0 +1,84 @@
+# PP-Human属性识别模块
+
+行人属性识别在智慧社区，工业巡检，交通监控等方向都具有广泛应用，PP-Human中集成了属性识别模块，属性包含性别、年龄、帽子、眼镜、上衣下衣款式等。我们提供了预训练模型，用户可以直接下载使用。
+
+| 任务                 | 算法 | 精度 | 预测速度(ms) |下载链接                                                                               |
+|:---------------------|:---------:|:------:|:------:| :---------------------------------------------------------------------------------: |
+| 行人检测/跟踪    |  PP-YOLOE | mAP: 56.3 <br> MOTA: 72.0 | 检测: 28ms <br> 跟踪：33.1ms | [下载链接](https://bj.bcebos.com/v1/paddledet/models/pipeline/mot_ppyoloe_l_36e_pipeline.zip) |
+| 行人属性分析    |  StrongBaseline  |  ma: 94.86  | 单人 2ms | [下载链接](https://bj.bcebos.com/v1/paddledet/models/pipeline/strongbaseline_r50_30e_pa100k.tar) |
+
+1. 检测/跟踪模型精度为MOT17，CrowdHuman，HIEVE和部分业务数据融合训练测试得到
+2. 行人属性分析精度为PA100k，RAPv2，PETA和部分业务数据融合训练测试得到
+3. 预测速度为T4 机器上使用TensorRT FP16时的速度
+
+## 使用方法
+
+1. 从上表链接中下载模型并解压到```./output_inference```路径下
+2. 图片输入时，启动命令如下
+```python
+python deploy/pphuman/pipeline.py --config deploy/pphuman/config/infer_cfg.yml \
+                                                   --image_file=test_image.jpg \
+                                                   --device=gpu \
+                                                   --enable_attr=True
+```
+3. 视频输入时，启动命令如下
+```python
+python deploy/pphuman/pipeline.py --config deploy/pphuman/config/infer_cfg.yml \
+                                                   --video_file=test_video.mp4 \
+                                                   --device=gpu \
+                                                   --enable_attr=True
+```
+4. 若修改模型路径，有以下两种方式：
+
+    - ```./deploy/pphuman/config/infer_cfg.yml```下可以配置不同模型路径，属性识别模型修改ATTR字段下配置
+    - 命令行中增加`--model_dir`修改模型路径：
+```python
+python deploy/pphuman/pipeline.py --config deploy/pphuman/config/infer_cfg.yml \
+                                                   --video_file=test_video.mp4 \
+                                                   --device=gpu \
+                                                   --enable_attr=True \
+                                                   --model_dir det=ppyoloe/
+```
+
+测试效果如下：
+
+<div width="1000" align="center">
+  <img src="./images/attribute.gif"/>
+</div>
+
+数据来源及版权归属：天覆科技，感谢提供并开源实际场景数据，仅限学术研究使用
+
+## 方案说明
+
+1. 目标检测/多目标跟踪获取图片/视频输入中的行人检测框，模型方案为PP-YOLOE，详细文档参考[PP-YOLOE](../../../configs/ppyoloe)
+2. 通过行人检测框的坐标在输入图像中截取每个行人
+3. 使用属性识别分析每个行人对应属性，属性类型与PA100k数据集相同，具体属性列表如下：
+```
+- 性别：男、女
+- 年龄：小于18、18-60、大于60
+- 朝向：朝前、朝后、侧面
+- 配饰：眼镜、帽子、无
+- 正面持物：是、否
+- 包：双肩包、单肩包、手提包
+- 上衣风格：带条纹、带logo、带格子、拼接风格
+- 下装风格：带条纹、带图案
+- 短袖上衣：是、否
+- 长袖上衣：是、否
+- 长外套：是、否
+- 长裤：是、否
+- 短裤：是、否
+- 短裙&裙子：是、否
+- 穿靴：是、否
+```
+
+4. 属性识别模型方案为[StrongBaseline](https://arxiv.org/pdf/2107.03576.pdf)，模型结构为基于ResNet50的多分类网络结构，引入Weighted BCE loss和EMA提升模型效果。
+
+## 参考文献
+```
+@article{jia2020rethinking,
+  title={Rethinking of pedestrian attribute recognition: Realistic datasets with efficient method},
+  author={Jia, Jian and Huang, Houjing and Yang, Wenjie and Chen, Xiaotang and Huang, Kaiqi},
+  journal={arXiv preprint arXiv:2005.11909},
+  year={2020}
+}
+```
diff --git a/deploy/pphuman/docs/images/attribute.gif b/deploy/pphuman/docs/images/attribute.gif
new file mode 100644
index 0000000000000000000000000000000000000000..a985c8b91c51cb4f499364bf468a867450fee3e7
Binary files /dev/null and b/deploy/pphuman/docs/images/attribute.gif differ