行人重识别是智能视频监控的关键技术,对于公共安全和预防犯罪有着重要意义,其任务是找出不同摄像机拍摄的图像中同一行人的图像。基于监督学习的行人重识别已经可以达到理论精度上限,但是将原模型迁移到新场景中需要额外成本重新进行身份标注。因此,通过有标注的源域数据集进行预训练,将预训练模型迁移到无标注目标域数据集,提升目标域性能的无监督域适应行人重识别更具有研究价值和实际意义。针对无监督域适应行人重识别中两大研究方向存在的问题,本文提出了两种解决方法。（1）针对生成迁移图像质量较差的问题,本文提出了一种基于掩模引导和属性解耦的生成对抗网络。该网络使用行人部分的掩模进行参考图像的筛选,限制生成过程中的形变和关注范围,通过对行人部分的结构属性和纹理属性进行解耦,实现了更加自由和独立的生成过程,从而提高生成迁移图像的质量,进一步缩小源域和目标域之间的差异。（2）针对基于聚类算法的不稳定性,本文提出了一种基于聚类和距离约束的无监督域适应行人重识别算法,该算法通过约束已形成的聚类中心和离群点之间的距离,实现更加理想的聚类效果,使用特征存储器中的特征表示提高距离计算的稳定性,通过该算法可以有效提升无监督域适应行人重识别的性能。实验表明,通过本文提出的两种方法,对比基准算法在数据集Market-1501→Duke MTMC-re ID和Duke MTMC-re ID→Market-1501上的Rank-1分别提升了3.8%和1.9%,m AP分别提升了1.8%和0.8%,实验结果表明本文提出的方法达到了先进水平。