随着智能视频监控的不断发展,行人重识别研究受到了工业界和学术界的广泛关注。行人重识别旨在完成不同相机下相同身份的行人图像关联任务。当前,大部分的研究工作主要关注有监督的场景,即给定的训练数据都拥有身份标签信息。然而,这些方法依赖于大量昂贵的标签数据,并且要求训练和测试数据必须来自相同的相机网络或者相同的数据集。当这些行人重识别模型直接的应用于不同的数据集时,性能将会出现严重的下降。这极大的限制了处理现实任务的泛化性能力。因此,行人重识别引入了无监督域自适应的方法,将有标签源域上训练的模型迁移到无标签目标域上。与传统的无监督域自适应方法相比,无监督域自适应的行人重识别是一个更具挑战的开放集识别问题。源域和目标域包含各自独有的类空间,基于特征分布对齐的方法不适合开放集的应用场景。此外大多数的方法只考虑了整体域间的分布迁移,却忽略了目标域内存在的各种变化。每个数据集都由多个风格迥异的相机拍摄完成。相机的视点、光照和背景等因素使得目标域的数据分布存在很大的差异,这给跨相机行人检索带来更大的挑战。本文针对无监督域自适应的行人重识别任务中源域和目标域间的分布迁移以及目标域内的剧烈变化等问题展开深入研究,论文的主要研究内容如下:（1）提出了基于分块模型的特征解纠缠（Patch-based Feature Disentangling,PFD）损失的无监督域自适应算法,首先引入局部块生成网络（Patch Generation Network,PGN）,对于每幅行人图像可以生成具有判别性的局部特征块。在无监督域自适应的行人重识别任务中,分块模型比整体图像模型更有优势,将相似的局部块拉近可以挖掘潜在判别信息,并可以协同多个局部块共同判别行人身份。然后,基于表示学习的原理设计了PFD损失,假设特征距离较近的样本共享相同的身份标签,为每个行人局部块构建纠缠空间,逐渐的解析出高置信度的正负行人样本。最后,在特征空间中将相似度高的局部块拉近,并将相似度低的局部块推开,使模型可以在没有身份标签的情况下也能很好地适应目标域。（2）提出了基于轨迹和相机标记的差异分布对齐（Tracklet and Camera Discrepancy Distribution Aligning,TC-DDA）的无监督域自适应算法,以改善源域和目标域数据分布的剧烈迁移。通过将公共特征空间转化为差异特征空间,执行域间差异特征分布的对齐。即使源域和目标域由于类空间不同导致公共特征空间不同,新的差异特征空间只有类内和类间簇。此外,鉴于行人重识别本质为跨相机的行人检索任务,源域和目标域包括多个风格迥异的相机。利用轨迹信息和相机信息将差异特征分布标记为类内/类间和相机内/相机间分布,并引入最大平均差异（Maximum mean discrepany,MMD）来对齐源域和目标域相应的分布。（3）提出了基于相机感知邻居挖掘（Camera Aware Neighbor Mining,CANM）的无监督域自适应算法,以缓解目标域内的剧烈变化。除了开放集特性外,行人重识别的数据集具有域的层次结构,源域和目标域可以划分为多个相机子域。相机间匹配的行人特征相似度要远小于相机内匹配的行人特征相似度。因此,相机内匹配的行人样本更容易占据排列表的前列,无论其归属于正样本还是负样本。首先将邻居挖掘分开的约束在相机内匹配和相机间匹配。此外,由于相机风格的差异,导致相机间行人的邻居挖掘难度进一步加大,相机间的邻居挖掘比相机内的邻居挖掘更容易导致偏差的搜索。在相机间的邻居挖掘利用解纠缠策略,解析出高置信度的相机间匹配正样本和负样本,从而优化目标域内的行人匹配结果。综上所述,本文使用了PGN网络模型,提出了PFD、TC-DDA和CANM等算法用于改进基于无监督域自适应的行人重识别性能,并通过在多个数据集上的大量实验论证了所提算法的优良性能。同时,本文提出的算法在保证识别精确性的同时,可以满足现实任务对泛化性的需求。