行人再识别是计算机视觉领域的重要任务之一。通过给定一张特定行人的图片,行人再识别技术可以在图库或视频中查找到同一行人的其他图片,从而达到识别行人、检索行人的目的。随着监控摄像头的普及、智能城市的建立以及社会安全的需求,行人再识别技术获得越来越多的重视,因此行人再识别问题的研究有着重大意义。目前流行的有监督行人再识别技术已经取得了巨大的进展,在一些公开数据集上达到不错的性能。但是,这些方法却很难应用于实际生活场景中,原因在于数据的标注十分昂贵,现实中大量的数据不带有标签,无法使用有监督的方式训练;其次由于域之间的差异,监督训练的模型直接应用到无标签的数据上会造成巨大的性能下降。为了解决这些问题,需深入探索及研究基于无监督的行人再识别技术。无监督行人再识别旨在没有行人身份标签的前提下,在目标域上取得好的匹配结果,其难点在于模型的特征提取能力有限,无法获得可靠的伪标签。鉴于此,本文提出两个基于无监督学习的域自适应行人再识别算法:基于标签传播的无监督行人再识别和基于注意力机制的无监督行人再识别。基于标签传播的无监督行人再识别通过风格迁移生成目标域风格的训练图片,用于模型的预训练,然后提取特征进行难样本挖掘的标签传播,以获得可靠的行人序列匹配,所匹配序列行人被打上同一个身份伪标签,再次训练模型,上述过程反复迭代能够提高模型的特征提取能力。此外,本文在风格迁移阶段探索更细的子域划分,训练网络捕捉不同摄像头下行人的不变特性;在特征提取阶段融合行人的全局特征和局部特征,丰富行人的特征表示,在标签传播阶段增加行人序列匹配的约束性,生成更可信的伪标签。基于注意力机制的无监督行人再识别通过初始化模型、聚类和模型再训练流程进行再识别工作,为了减少由于聚类错误而产生的噪声,同时采用两种注意力机制:通道注意力和位置注意力,然后利用协同训练的方法使其相互学习。注意力机制使网络学习自动分配不同通道和不同位置的权重,并且分为两个分支进行训练,使得不同分支特征侧重于关注行人的不同信息,为注意力分支之间的相互学习奠定基础。本文在Market1501、PRID2011和Duke MTMC-re ID等数据集上进行充分的实验,证明了提出算法的有效性。