随着智慧城市的建设,大到繁华都市小到街头巷尾都安装了大量的高清监控摄像头。工作者利用这些几乎免费的监控视频进行行人数据的分析,不仅可以对人员进行定位跟踪,还可以对一些公共场合进行智能化管理。但是面对海量的、质量参差不齐的监控信息资源,如何低成本、高效率地实现各种各样的服务变得尤为重要。行人重识别是智能监控系统中关键的一环,旨在跨镜头下检索特定的目标行人。近年来,行人重识别运用深度学习理论在该领域取得了突破性进展,在Market1501公开数据集上,有监督top-1指标已经逼近99%的匹配精度。然而在实际情况中,在一个场景下训练的模型迁移至另一个场景中应用时,会出现灾难性性能下滑,同时繁重的标注工作会耗费大量的人力物力。因此,本文主要针对更贴近实际且无需标记数据的无监督域适应行人重识别技术进行研究。目前,最先进的无监督性能指标由基于伪标签挖掘的无监督域适应行人重识别方法实现。然而通常的作法是将全部样本放入聚类池中进行统一对待,这种作法忽略了每个摄像机域的差异,从而导致伪标签中含有较多噪声,进而抑制了网络的性能。基于这个问题,本文提出了一种基于相机ID的二阶段聚类伪标签校正方案,通过相机ID将数据集划分为独立的子域进行独立聚类,让得到的高置信度子伪标签对全局伪标签进行局部纠正。为了进一步提高标签质量,本文引入了注意力模块协同配合聚类并在常用的三个公开数据集上开展实验,实验结果验证了该方法的有效性。在无监督域适应行人重识别算法中,网络模型迁移了源域知识并使微调阶段的网络参数初始化处于一个较高水平。结合自监督理论,本文为行人重识别任务的预训练阶段设计了一种基于特征对比学习的自监督学习框架。预训练阶段不仅使用源域数据,同时网络还对无标记目标域数据进行特征预学习。框架使用原图和轻度数据增强图进行特征对比学习,同时让轻度增强图和重度数据增强图进行特征分布对齐学习,最后联合多个损失函数对网络进行更新。通过在三个数据集上的结果反馈,该方法可以提高微调阶段的聚类准确度和最终的行人匹配精度。