在近年来,在大规模有标签的数据集的加持下,基于深度学习方法的行人重识别技术获得了巨大的进步,甚至在某些数据集上识别成功率超过人类。然而,由于数据集采集的季节、地点、光照等因素的不同,不同数据集之间不可避免地存在着领域差异,使得在已有领域训练完成的行人重识别系统直接应用到另一领域时性能明显下降。而在现实生活中,受限于高昂的人力成本以及个人隐私政策,对每一个应用场景收集对应的有标签数据集事实上是不可能的。为了解决行人重识别系统对有标签数据集的依赖问题,提高行人重识别系统的泛化能力,无监督领域自适应方法被引入到了行人重识别领域。无监督领域自适应方法涉及两个领域:包含有标注数据集的源域和包含无标注数据集的待适应的目标域。该类方法旨在将源域知识迁移到目标域,实现行人重识别系统对目标域数据的适应,从而提升行人重识别模型的泛化能力。目前无监督领域自适应方法在行人重识别领域主要有两方面难点:（1）目标域为开放集,无固定类别数,其伪标签的标签不可避免地会产生更多噪声,较多噪声对后续训练产生干扰;（2）不同数据集之间存在或多或少的域差异,预训练模型对目标域数据的表达能力弱。为了解决上述问题,本文做了如下研究:（1）本文提出了的基于自注意力和联合灵活优化的无监督领域自适应行人重识别方法。该方法基于有监督对比学习:首先通过聚类和模型分别生成无标签数据的硬伪标签和软伪标签,然后联合利用两种伪标签以有监督对比学习方式训练模型。本算法包含两个创新点:第一,本文提出了联合灵活优化损失函数,实现硬伪标签和软伪标签的灵活联合优化,减轻伪标签噪声干扰;第二,在网络中添加自注意力机制模块,加强模型在对判别行人身份的关键区域的关注,从而获得更具判别性的表示。实验证明该模型在Market-to-Duke任务和Duke-to-Market任务均取得了相当有竞争力的性能表现。（2）本文提出了基于局部增强和原型字典学习的无监督领域自适应行人重识别模型。该方法基于自监督对比学习:通过构造原型字典,将源域数据和目标域数据同时输入网络,以自监督对比学习的方式训练网络。目标域数据类别的数量未知,使用自监督对比损失学习实例区分性表示可以最大限度地适应开放集任务。本算法包含两个创新点:第一,本文提出了原型字典对比学习框架,其采用类别级别对比损失训练网络,适应开放集数据的同时避免了实例级别对比的类别碰撞问题,且该框架中源域数据全程参与训练,源域数据信息利用更充分;第二,本文提出了局部增强模块,通过在训练过程中对图像随机区域进行增强,促使模型学习到更加鲁棒的特征,提高模型对于不同领域图像的适应性。最终该方法在Market-to-Duke和Duke-to-Market两个任务中均取得了相当有竞争力的性能表现。