随着监控摄像机的广泛使用以及公众安全意识的增强,行人重识别技术（Person Re-Identification,Person Re-ID）已经引起了计算机视觉和模式识别界的特别关注。行人重识别是指能够在从不同摄像机拍摄的图像或视频源中再次检索到特定目标对象的技术,它有利于帮助快速处理城市中的异常情况,例如跟踪偷车贼、通缉犯以及失踪儿童等等,在现代社会中具有重要的研究意义和应用价值。近年来,得益于大量标注图片,全监督行人重识别已经取得较高准确率。但是,数据标注的高成本使得全监督行人重识别技术难以扩展到实际应用中,如何利用无标注数据去提高无监督跨域行人重识别性能迫在眉睫。从研究的角度来看,由于需要面对更为复杂的跨域条件,无监督跨域行人重识别面临着一些更具挑战性的问题。其研究复杂性体现在:1)分布复杂性:跨域环境下行人差异大且无标注信息,训练与测试样本特征空间分布不一致,模型不能很好的泛化到新的类别。2)特征与结构复杂性:实际视频侦查中,样本结构更为复杂,正样本极其稀疏,聚类易产生大量离群值,加上模型对局部特征信息不够敏感,易造成对相似特征行人的误判,导致模型识别的准确率降低。针对上述问题,立足于无监督跨域行人重识别的研究与应用,本文开展了以下工作:（1）针对分布复杂性问题,本文率先尝试将多模型组合优化框架与聚类产生伪标签的方式结合,提出了一个具有动态动量更新的多网络协作训练（CTDMU）算法。该算法采用动态动量更新策略生成更加稳定的辅助动量模型后,进一步利用多模型进行高效的协同训练来促进模型的相互修正,同时在动量伪标签和协作伪标签的双重伪监督下,构造了两组协作损失函数和动量损失函数来优化特征空间,从而不断提升伪标签的质量。CTDMU算法有效缓解了目标域和源域分布不同时性能严重下降的问题,大幅度的提高了无监督跨域行人重识别模型的泛化性能。（2）针对特征与结构复杂性问题,在CTDMU算法的基础上,本文设计了基于多融合注意力机制的委员会投票算法（MFACV）。首先提出了一个融合注意力模块来捕捉长距离依赖关系并融合多级特征,其次将其插入多个异质网络模型中充分学习了具有足够判别性细节特征信息,然后在目标域上执行渐进式成对合作训练和基于图的委员会投票机制,最后在投票信息图上利用连通域搜索生成伪标签更好的控制离群值。MFACV算法可以进一步获取有利于行人重识别任务方向的行人线索,大幅度的提高了无监督跨域行人重识别模型的鉴别准确性。（3）针对无监督跨域行人重识别的应用,本文在上述工作获取的高精度模型的基础上,设计并实现了完整的行人重识别系统:包括行人检测、重识别、以及跟踪模块。系统在Windows 10平台进行测试,测试结果表明其能够很好完成面向实际场景的行人重识别任务。