行人重识别是一种行人图像匹配技术,用于行人搜索或多目标多摄像头跨镜追踪。由于数据集制作成本高昂,因而基于无监督学习的行人重识别方法逐渐成为研究的热点。目前,在小数据集上基于自监督学习的行人重识别研究,大多是对基于自监督学习的分类任务的简单迁移,缺少网络架构各个部分,在自监督学习的行人重识别任务中,的差异性研究,也缺少对行人重识别数据集特征的研究。针对这些问题,本文围绕常用的损失函数NT-Xent展开研究,主要工作如下:首先,通过基线网络的对比实验,发现,在基于MSMT-17以及Market1501数据集的行人重识别任务的优化过程中,出现了明显的最优结果抖动现象。这种抖动现象,来源于交叉熵损失函数（CrossEntropy,简称CE）中,理想概率分布的理论模型与实际使用场景间的不匹配性,为模型的收敛及调试过程增加了难度。本文为CE引入标签平滑技术,解决了该问题。其次,在基线实验中,通过对CE中,Softmax函数的分母项进行拆分测试,发现其分母中的负样本项,在使用基于归一化余弦距离作为度量函数的情况下,其实际的优化结果,是余弦值等于0,而不是理论上的余弦值为-1。这种差异导致Softmax的理论优化目标不再是1,而是一个变量。这与使用标签平滑后的理想概率分布1-e不相同,进一步地导致了优化结果不佳。本文通过理论计算,得到了Softmax理论优化目标的理论值,并使用参数e实现该理论值。此外,为了规避CE带来的若干缺点,本文引入了基于余弦距离的排序损失函数,与CE并联,共同提升自监督学习网络在行人重识别任务上的表现。再次,在基线实验中发现,Softmax函数分母及分子中的正样本项,其实际的优化结果为,均值58度,标准差265,收敛情况非常差。通过消融实验,本文发现,影响正样本分布的主要因素,是数据增强方法的设计及使用方案。本文针对行人重识别数据集的数据分布特征,以及行人重识别任务的特点,对图像裁剪、颜色变化、高斯模糊等方法进行了研究,设计了新的数据增强方案,在简化方案、减少训练图像使用量的情况下,提升了网络的准确率。本文通过PyTorch工具实现了基于自监督学习的行人重识别算法。经过以上若干改进,CMC-1从43.2%提升至55.2%,有较为明显的进步,为基于自监督学习的行人重识别模型研究打下了一定的理论基础。