计算机视觉技术的需求和应用在现实生活中广泛存在,例如进行物体识别和检测、语义分割、运动追踪、三维重建、视觉问答和动作识别等,传统的计算机视觉研究方法多基于统计学的分析或手动设计的特征,在大部分现实场景中无法取得良好的表现。近年来,在机器学习研究领域中,深度学习因其强大的学习能力和优秀的模型性能受到广泛关注并迅速应用到各个研究领域,推动了多个研究领域的发展。行人重识别是计算机视觉研究方向的一个重要子问题,它利用计算机视觉技术对图像中的行人进行识别和检索,因此对基于深度学习的行人重识别进行研究具有非常重要的现实价值和意义。当前基于深度学习的行人重识别主要存在两个问题:一是在一般的深度学习模型训练过程中,往往需要大量人工标记的数据作为支撑才能得到性能良好的算法模型,而在现实生活中制作一个标签信息完善的数据集要花费很高的代价。行人重识别数据集因其中图像相比其他领域的图像数据集更大,会耗费更高的时间、空间和人工成本。二是在有大量标签的数据集中训练的深度学习模型通常会更拟合训练数据集的数据分布,这极大地限制了它们在现实世界大规模部署中的可扩展性和实用性。因此,研究如何在无标签的情况下训练性能优秀的深度学习模型来对行人进行分类和检索成为最新的研究问题。本文在无监督领域自适应行人重识别的领域进行研究,该领域大多数现有方法主要存在三点局限性:伪标签生成和模型训练之间的关系不够强烈、领域间隙影响无监督学习表现、生成的伪标签中的噪声严重降低模型的鲁棒性,其中如何降低伪标签噪声的影响是研究的重点。为解决上述问题,以得到分类和检索性能更好的深度学习模型,我们提出面向行人重识别的无监督双通道相互对比学习方法。该方法的整体框架是构建一个双通道共四个神经网络的算法模型,每个通道中有两个网络,第一个网络作为学生接收输入数据用于训练,另一个网络由第一个网络的参数直接计算得到,且作为第一个网络的导师用于生成监督信息。两个通道的双网络模型相同、初始化参数不同,因而两个通道可以各自学到有用的知识进而进行相互学习。在训练过程中,导师网络对输入样本的预测作为伪标签监督学生网络并在每个批次的数据中更新,这强化了伪标签生成和训练之间的关系。在无标签目标域数据集上的训练中,我们的方法不需要考虑有标签源域数据集的知识,因而避免了领域间隙的不良影响。更重要的是,为了减少伪标签中的噪声,我们提出自信策略以筛选出纯净度更高的伪标签,大大提升了模型的鲁棒性。筛选的具体过程为:两个通道中的被训练网络各自计算每个样本对应的损失;按损失大小对样本进行排序;考虑损失更小的样本对应的伪标签的置信度更高,用这些样本的索引来选择另一个通道中被训练网络应该学习的知识。通过与其他近年来最好的无监督行人重识别方法进行对比实验,证明了基于相互学习的训练框架和自信策略,我们的方法在无监督行人重识别上取得了很大的进步,甚至与监督学习的性能表现持平。值得指出的是,无监督双通道相互对比学习方法是一种深度学习范式,可泛化到多种深度学习问题上。