近年来,随着“平安城市”和“智慧城市”的建设取得了快速发展,行人重识别技术在公共安全领域也变得尤为重要。传统行人重识别技术依赖于大量的人工标注数据因此给实际落地带来了较大的挑战。为了克服传统的监督学习带来的局限性,本文基于深度学习方法对无监督行人重识别开展了一系列的研究,主要的工作和贡献点总结如下:1.针对无监督行人重识别中的样本储存器更新误差问题,提出了一种基于中心特征学习的无监督重识别方法。首先,设计了一种误差记忆模块来减少训练中样本噪声带来的静态误差。其次,为了提高收敛的稳定性,在误差记忆模块的基础上加入误差预测模块,并且通过相机不变性原则来进一步改进该算法的性能。实验结果表明该方法在公开数据集Market-1501和DukeMTMC-reID上测试时,Rank-1准确率相对比例更新方法分别提升了 11.9%和2.1%。2.针对无监督行人重识别中的表征学习增强问题,提出了一种基于动量对比学习的无监督重识别方法。该方法设计了一种由教师编码器和动量更新的学生编码器构成的学习框架,然后利用个体损失和聚类损失的联合调优来获得最佳性能,并实现了一阶段的端到端训练。实验结果表明该方法在Market-1501,DukeMTMC-reID和MSMT-17测试数据集上测试时,Rank-1准确率分别达到了86.5%,74.5%和 36.6%。3.针对无监督行人重识别中的行人遮挡问题,提出了一种基于姿态引导的遮挡无监督行人重识别方法。该方法首先采用主干网络提取全局特征,然后引入一个姿态引导分支来提取行人的关键点信息。最后,将主干网络提取的行人图像全局特征和姿态引导分支提取的姿态特征信息融合,从而实现对非遮挡区域的关注。实验结果表明该方法在公开的遮挡数据集Occluded-DukeMTMC上Rank-1 和 mAP 指标达到 53.2%和54.2%。4.针对无监督行人重识别模型的对抗鲁棒性问题,分析了现有模型抗干扰性能并且提出了无监督行人重识别的鲁棒性增强方法。首先,通过使用多个对抗噪声样本对现有模型进行攻击。其次,提出了针对于无监督行人重识别的对抗性训练策略和特征去噪模块,克服对抗攻击样本对模型带来的影响。实验结果表明鲁棒性增强后的模型Rank-1准确率获得了10%～30%的显著提升。