行人重识别作为视频监控安防领域的关键技术,由于其对视频智能分析展现出的优异性能,近年来受到工业界与学术界的越来越多的关注。有监督行人重识别方法当前已经取得了较为理想的性能表现,而跨域行人重识别方法仍存在较大的改进提升空间,行人重识别技术实际跨境头应用场景下会遇到目标数据无标签的问题,同时已有模型对新的数据不具备类别学习能力。因此,本文从已标注与无标注行人重识别数据域关联的角度出发,提出一种基于域自适应的无监督行人重识别算法,将网络模型从已有标注的源数据域学习到的特征提取能力迁移到无标注的目标数据域,所设计的网络框架可以在没有行人标签信息的场景下学习新数据域的区别性特征表示。本文的主要研究内容如下:1.阐述行人重识别任务的问题起源,课题的研究意义。对比有监督学习、迁移学习和无监督学习行人重识别方法的设计思想与区别,并对行人相似度的常用计算方法进行分析,介绍行人重识别常用数据集与性能评估指标。2.在已有数据域下训练的网络模型通常并不能对未知的数据域起到很好的检索效果,针对这一行人重识别跨域问题,尝试将无标注的目标域行人样本加入训练过程,以提高行人重识别算法在实际应用场景下的准确度。由于无法将分类损失函数应用于无标注数据,提出一种用以存放目标域行人特征的特征库模块（Feature Library,FL）,在模型训练阶段实时更新特征库,通过无监督聚类方法学习无标注数据的辨别性特征表示。3.提出一种跨域特征提取器以探索不同数据域之间潜在的样本关联,使网络更加高效地学习不同数据域之间的区别性特征。所提方法在已标注源域上训练的网络模型,能够很好地应用在无标注的目标域数据,从而充分利用已标注的数据提高模型在未知目标域的泛化能力。本文在三大行人重识别数据集进行模型评估,实验表明,所提算法能够同时利用有标注源域与无标注的目标域数据,可以显著提高算法在新数据域的准确度性能。