行人重识别是指给定一个行人的图片,在多个不同的摄像头中检索到这个行人的其他图片,可以广泛应用于社会安防等领域。随着社会的发展,日常生活中的监控摄像头与监控数据越来越多,行人重识别任务受到了越来越多的关注。在深度学习时代,大量行人重识别工作借助卷积神经网络在有监督场景下实现了令人惊艳的重识别性能。然而,有监督行人重识别需要使用大量的行人标签用于训练,这显然不适用于具有海量监控数据的现实场景。无监督行人重识别不需要使用标签数据,更适用于现实场景。目前,无监督行人重识别中能够取得先进性能的一个主流方法是基于聚类的无监督行人重识别框架,这种框架重复进行“聚类-训练”的步骤,在不断的迭代中训练出一个具有优秀行人重识别性能的模型。然而,在这种框架下,聚类结果的好坏严重影响着模型最终的性能,而聚类算法的参数则严重影响着聚类结果的好坏。目前大多数方法都是通过手工调节聚类参数以取得最优结果,这需要大量的有标签验证集以及耗费大量时间。针对上述问题,本文先后提出两个方法进行解决。针对聚类结果影响模型性能的问题,本文提出一个基于二阶段聚类噪声抑制的无监督域适应行人重识别方法,分析聚类结果中常见的两种噪声,并通过两个阶段分别抑制每种噪声,使模型在不同阶段能够获得不同的高质量的伪标签进行训练。另一方面,本文提出一个基于松紧尺度收敛聚类的完全无监督行人重识别方法,通过统计数据集中的特征距离分布来获取两种不同的聚类尺度。该算法在训练中约束这两种聚类尺度的一致性,使这两种聚类尺度最终收敛至一个理想的平衡状态,进而解决大部分基于聚类的无监督行人重识别算法需要耗费大量资源手动调节一个最优聚类参数的问题。最后,本文设计并实现了大量的实验验证了本文提出的两个方法的有效性。