行人重识别技术被广泛用于智能安防以及搜寻走失儿童等社会安全问题。有监督行人重识别和无监督行人重识别作为行人重识别的两个方向。在实际应用中,有监督行人重识别虽然取得了很好的结果,但是需要耗费大量的成本去标注数据。因此当行人在不同域的场景出现时,基于无监督学习的行人重识别应用更加广泛。与有监督方法相比,无监督行人重识别通过使用带标签的源域数据和不带标签的目标域数据进行训练,且这两个数据集通常采集的图像信息不同。在源域数据集上训练的模型,直接应用于目标域数据集时,受环境因素的影响,并且缺乏扩展能力,模型有明显地性能下降。本文通过对无监督跨域行人重识别方法展开研究,主要研究工作如下:（1）针对特征辨别性不足和聚类产生伪标签噪声的问题,本文提出一种基于精化聚类和注意力块的无监督跨域行人重识别方法。首先,在提取行人特征时,将位置注意力块和三重注意力块进行结合,并添加至骨干网络Res Net-50中进行特征聚合,以减少由于全局池化造成的位置信息丢失,捕获交叉维度,来计算注意权重,挖掘细粒度信息。其次,对DBSCAN聚类进行改进,设计可靠性度量准则判定聚类实例可靠性,实现由粗到精的聚类过程。最后,将聚类中心动态存储到记忆模块,动态构建类中心,进行不变性学习。实验结果表明,文中设计的新方法和其他典型方法相比,在目标域为Market-1501数据集上m AP的准确率分别提高2.4%,在目标域为Duke MTMC-Re ID数据集上m AP的准确率分别提高6.5%。（2）对于忽略局部特征和域间隙引起的特征变化两个问题,提出一种结合元学习的无监督自适应域行人重识别方法。首先,对来自不同域的不变特征和特定特征进行建模,充分考虑不同域特征的多样性和互补性,来缓解域间隙问题。其次,在每个训练周期内对全局特征和两个局部特征进行独立聚类,使用每个分支的精化伪标签来微调整个网络。最后,元学习优化模块帮助模型学习相机不变的表示,使用所提出的元学习策略对模型进行优化,鼓励模型学习相机不变的特征。实验结果表明,文中设计的新方法和其他典型方法相比,在目标域为Market-1501数据集上和m AP的准确率分别提高2.0%,在目标域为Duke MTMC-Re ID数据集上m AP的准确率分别提高2.5%。