行人重识别是近年来计算机视觉领域比较热门的研究方向之一,其是一种特定的识别技术,可以有效的对图片或视频中出现的行人作出判断。随着科技的发展,行人重识别技术被广泛的应用到安防、视频监控等领域,传统的人脸识别技术已经很难满足当今社会人们的生产和生活需要,所以如何将行人重识别技术在社会上普及并且更好的服务于社会是该技术发展的关键所在。目前,行人再识别已经在有标注的监督领域上实现了比较大的突破,并且性能提升明显。但是,将无标注的数据进行无监督训练时则具有很大困难。主要体现在:利用无id标注的目标域图片进行领域适应具有其挑战性。因此,无监督领域下的技术难点是当前行人重识别的主要面临的问题。在研究早期,在无监督领域下的行人重识别技术只有基于字典型、利用手工提取特征、对局部特征的探索等三种方法,但由于不能避免外在条件的干扰,无监督的技术始终无法超越有监督方法。因此,如何将无监督技术有效地应用在行人重识别问题中也是今后行人重识别领域中重要的发展方向。基于目前无监督技术不完善这一问题,因而从问题的角度出发,在基于无监督状态下自底向上的聚类方法基础上对其进行改进,来逐步提高模型在无监督领域的表现。具体分为三步:开始阶段利用卷积神经网络对图片进行特征提取并且在卷积神经网络中分别加入SE模块和self-attention机制对网络进行优化;接着对具有相似性的特征进行聚类合并;然后基于合并的结果重新对模型进行训练,直到收敛训练结束。实验是在两大行人重识别数据集Market-1501、DukeMTMC-reID上进行,最终的结果显示,我们提出的改进方法相比原有的无监督聚类方法在识别效果上有明显的提升。