行人重识别旨在跨视域寻找同一个行人的图片。随着深度学习的发展,基于神经网络的行人重识别算法研究也取得了较大的进步,但是现阶段高精度的行人重识别算法都需要有标签的图片,在实际生活中图片标签的获取不仅耗时,还需要大量的人力物力。无监督行人重识别算法由于能够减少标签的使用而走入了研究人员的视野,然而无监督行人重识别算法的识别精度普遍较低且已有的有标签数据集也没有得到很好的利用,为此,基于无监督域自适应的行人重识别成为了研究的热门方向。但是现有的大多数无监督域自适应行人重识别算法并没有充分考虑源域以及目标域数据之间存在的关系,也没有考虑到目标域中同一行人的不同样本之间的珍贵程度也是不同的,不仅如此,由于目标域数据缺乏标签,所以现有的三元组损失并没有很好的应用在无监督域自适应行人重识别算法中。基于上述问题,本文主要有以下研究内容。针对现有的算法未能充分考虑源域数据集以及目标域数据集之间的关系且无监督域自适应行人重识别算法中由于源域数据集与目标域数据集中的行人类别完全不同,所以框架会产生较大的迁移损失的问题,本文在第三章中设计了衡量轴模块,并将该模块得到的语义信息作为了一种新型跨域难负样本的判别标准。同时本文还设计了新的损失函数,该函数通过减少网络对本文挖掘到的新型难负样本的学习进而能够减少框架在迁移过程中产生的迁移损失。在Market-1501以及DukeMTMC-reID两个常用的行人重识别数据集上的实验结果证明了本文所提出的衡量轴模块能够使框架在mean Average Precisions（mAP）上增加2.7%。针对目标域中同一类别的样本之间珍贵程度不同的问题,本文在第四章设计了目标域样本分层不变性模块,该模块解决了目标域中同一行人的不同样本没有被区别对待的问题。而且本文通过在Market-1501以及DukeMTMC-reID两个常用的行人重识别数据集上的实验结果证明了本文所提出的目标域样本分层不变性模块能够使框架在mAP上增加3.1%。针对目标域样本缺乏标签,三元组损失不能在无监督域自适应行人重识别算法中得到应用的问题,本文在第四章提出了群-群三元组损失。该损失能有效解决由于样本缺乏标签而导致的难样本识别不准确所带来的网络识别精度下降的问题。通过在Market-1501以及DukeMTMC-reID两个常用的行人重识别数据集上的实验结果证明了本文所提出的群-群三元组损失能够使框架在mAP上增加1.1%。