行人重识别的目的是识别多个摄像机下具有指定身份的行人图像。目前,基于监督学习的行人重识别方法已取得了优异的性能。然而,该类方法严重依赖于带标注的数据。基于以上问题,大量研究者开始将注意力转向无监督行人重识别领域。依据是否使用源域数据,现有无监督学习方法可以被分为跨域方法和完全无监督方法。本文分别对以上两种方法中存在的问题进行了研究,主要研究内容如下:（1）对近年来国内外的相关研究进行了详细梳理和分析,发现无监督行人重识别技术仍具有较大的改进潜力,其中伪标签可靠性不足和模型优化不充分的问题尤为突出。（2）基于已有相关理论和技术,提出了一种基于特征解耦和双重聚类的跨域行人重识别方法,该方法包括三个部分。首先,为了保证迁移前后的身份一致性和生成图像与目标图像的风格相似性,本文设计了基于特征解耦的领域适应网络（feature disentanglement adaptation network,FDANet）,该模型能够对风格特征和身份特征进行解耦。其次,为了降低噪声标签的影响,提出了基于双重聚类的协同优化方法（biclustering collaborative learning,BCL）,BCL旨在从两个域中挖掘具有高置信度的样本对。最后,为了对源域知识进行有效的巩固,设计了基于动态概率的记忆巩固算法（dynamic memory reconsolidation,DMR）,DMR采用动态概率进行采样以协调两个域上的学习进程。由实验结果可得,FDA-Net、BCL和DMR都可以对模型的性能提升做出贡献,且三者被联合使用时,模型性能达到最优,超越了现有的主流方法。（3）提出了一种基于层次聚类和全局分类的无监督行人重识别方法。虽然跨域行人重识别方法能够取得较高的性能,但该类方法严重依赖于源域数据的质量,故本文提出了一种完全无监督方法。该方法包括两个部分。首先,为了获得具有高置信度的伪标签,本文设计了基于中值稳定距离的聚类算法（median stable clustering,MSC）。MSC在聚类过程中考虑了目标域中的摄像机差异、簇内离群点以及簇内样本数量的影响。其次,为了使模型得到充分优化,提出了基于全局距离分类的优化方法（global distance classification,GDC）。GDC旨在从全局范围内分离正负样本对的距离分布。实验结果表明,本文所提出的完全无监督方法的性能不仅超越了现有的无监督方法,而且在困难场景中超越了主流的跨域方法。