行人重识别作为监控系统中关键的一环具有重要的研究意义,不同数据类型间的行人重识别也具有各自的应用场景。而不依赖标签的无监督场景研究,可以充分发挥数据量优势,并节约人工成本。本文借助无监督问题中常用的对比学习方法,分别对图像、视频和跨图像视频三种场景的行人重识别方式展开了研究。着重解决了现有的无监督行人重识别方法在样本标签去噪、视频信息提取和模态差异减小等方面存在的问题。针对无监督图像行人重识别问题,本文提出跨域特征对齐学习和标签去噪学习来分别解决领域差异和标签噪声问题。其中,跨域特征对齐学习使用实例对比学习和领域混淆函数来对齐目标域样本的分布,最终实现源域到目标域的知识迁移。而标签去噪学习引入了辅助模型来同时训练模型参数和噪声标签,为主模型提供更加可靠的训练样本,并尽可能的削弱噪声样本带来的影响。针对无监督视频行人重识别问题,为了解决现有方法在样本关联和视频信息提取方面的不足,本文使用了集群优化学习和非局部注意模块。在集群优化学习中,使用互邻居距离替代欧式距离;采用层次聚类优化集群分布;改进实例对比学习并提出了集群对比学习,从宏观角度挖掘集群信息。此外,选择轻量化的非局部注意模块来优化主干网络,缓解视频信息提取和样本关联存在的矛盾。针对无监督跨图像视频行人重识别问题,本文采用协同过滤学习来剔除集群中的不可靠样本。除了集群对比学习之外,本文还提出了相机软对比学习和跨模态对比学习,两者分别解决了离群样本归属和跨模态差异问题。上述改进从不同的角度出发解决问题,在组合使用时能取得更加优秀的识别效果。定性和定量的消融实验证明了本文提出的网络结构,聚类优化策略和损失函数的有效性,它们均能提升无监督行人重识别的性能,同当前先进算法的对比实验证明了本文方法具备一定的竞争力。