行人重识别是指在视频监控系统中进行跨摄像头行人检索的技术。目前,在一个有大量标注的场景（源域）下进行有监督训练的行人重识别模型可以在该场景下取得较好的性能,但直接应用到新场景（目标域）下时,性能有明显的下降。而为新场景重新标注数据费时费力,不利于行人重识别的推广。本文研究无监督域适应的行人重识别算法,旨在通过已有的有标记源域数据和无标记目标域数据,训练一个可以在目标域泛化性能好的模型。传统的基于聚类的方法通常使用聚类算法将无标记目标域训练样本聚类为若干簇,为每个簇分配一个伪标签,并使用各簇样本的平均特征表达该簇（即所谓的单中心表征）。然而,由于不完美的聚类结果,聚类得到的伪标签并不可靠,导致单中心表征经常会混入不同行人的信息（伪标签噪声）,因而误导特征学习和损害模型性能。此外,传统方法并没有关注负样本对的构造问题,而负样本对在改善特征学习过程有着重要的作用。针对这些问题,提出了一个多中心表征网络MCRN。多中心表征网络能为每个簇提供多个表征,并通过选择可靠的表征作为对比学习的正负样本,减少了伪标签噪声的影响。此外,多中心表征网络设计了域分离对比学习以筛除跨域负样本和二阶近邻插值以生成有判别信息的难负样本,改善了特征学习过程。由于模型的表征能力有限,实例特征在训练过程中不稳定,且不同相机下的相同行人的实例特征间也会存在较大差异。此外,one-hot编码的伪标签作为对比学习的监督信号会使得模型容易对伪标签噪声过拟合,阻止模型性能提升。针对这些问题,提出了基于一致性约束的多中心表征网络MCRNCC。该网络使用实例一致性约束同一实例在不同增广下的特征距离以提升行人的实例特征稳定性,并使用相机一致性约束跨相机正实例特征对之间的距离以提升对相机变化的鲁棒性。同时,该网络使用了基于标签集成的标签优化将one-hot编码的伪标签转换为更可靠的软标签,提升了监督信号的鲁棒性。与基于局部注意力的卷积神经网络相比,基于自注意力的Transformer有更好的域泛化优势。为此,提出了基于一致性约束和自注意力的多中心表征网络MCRNCCSA,其使用Transformer以充分关注重要的信息,过滤多余的信息,提升域适应性能。综上,针对现有的无监督域适应行人重识别算法中存在的伪标签噪声、负样本对构造、行人特征不稳定等问题,提出了相应的解决方案,并应用自注意力进一步提升域适应性能。实验证明所提出的多种方法均取得了先进的性能。