现代社会建设智慧城市将成为未来发展趋势,而作为智慧城市中关键一环,智能监控技术将保障未来城市社会公共安全,并防止社会灾害灾难的发生。智能监控技术告别繁复地人工分析监控数据,而依托自动检测识别技术查找数据中指定行人。行人重识别作为自动检测识别行人的技术,是智能监控技术的核心。行人重识别目的是检索和匹配非重叠摄像机拍摄的行人图像或视频。目前大多数行人重识别工作是基于有监督学习的,但在真实场景中难对大量行人标注身份,耗费标注和有监督训练网络的时间是低效的。无监督域自适应行人重识别不需要真实标签,通过无身份标注的行人特征间相似度来决定行人身份,使在海量数据的真实场景下大规模部署行人重识别系统成为可能。现有方法将有监督学习算法的思想引入无监督学习中,但是在无标注数据上的效果不理想,因此急需针对无监督的特性来设计算法提升域自适应性能。另外现有方法没利用额外的知识信息,例如相同视角下相似行人特征能使无监督学习提升性能。因此研究无监督域自适应算法并提升性能具有实际价值和应用意义。本文的主要工作为:1)本文引入了行人视角信息并提出基于视角内的对比学习算法,在相同视角相同身份的行人相似关键区域进行特征学习,提升网络初始适应到目标域的性能。因为视角内对比学习过度关注相同视角的相似特征,而忽视相同身份共有的多视角特征,本文引入基于视角间的对比学习来挖掘不同视角但相同身份的表征,并辨识空间中当前状态为误分类的样本。为了识别视角内和视角间中存在的扰动样本,本文提出视角对抗学习来拟合因无标注样本导致的扰动分布,并将对抗学习方法视为正则化技巧来优化算法达到损失函数全局极小点。为了进一步提升视角对比对抗学习的性能,本文提出基于视角的类别平衡采样策略,将不同视角内样本均衡载入对比对抗学习算法。实验结果表明基于视角的对比对抗学习算法具有较好的无监督域自适应能力,在Duke MTMC→Market-1501上m AP和Rank-1达到81.4%,93.8%,在Market-1501→Duke MTMC上m AP和Rank-1达到70.1%,82.9%。2)如何在目标域适应时还能“复习”源域中监督进而获得目标域的潜在收益,避免因分域训练丢失未充分提取的信息?本文提出了渐进式视角对比对抗学习算法,将两域数据同时前馈至网络,通过控制两域的不同权重,在空间中联合两域表征优化视角对比对抗学习,源域部署对比对抗学习能使网络精准拟合目标域中扰动。如何使样本细致聚类得到更稳定样本簇?本文对不稳定簇引入视角层次聚类算法将不稳定簇重组为若干稳定子簇,获得稳定样本簇有助于网络学到细粒度表征。此外,本文提出基于视角的近邻内插策略合成含有额外特征信息的隐样本簇,将相同身份的诸样本簇聚合以提升算法鲁棒性。本文的结合层次聚类和近邻内插的渐进式视角对比对抗学习算法,不同于无监督域自适应行人重识别常用的分域训练,联合两域数据的算法将易于大规模部署在真实场景中。实验结果表明该算法具有极佳的性能,在Duke MTMC→Market-1501上m AP和Rank-1达到83.1%,93.8%,在Market-1501→Duke MTMC上m AP和Rank-1达到71.9%,83.9%,进一步提升各个任务的精度上限。