行人再识别旨在无重叠的视频监控网络中,对于摄像机视场中给定的某个行人,判断其是否出现在其他摄像机视场中的过程,是比行人检测更具挑战性的计算机视觉前沿研究方向。近年来,国家提出利用人工智能提升公共安全保障能力,行人再识别成为行业应用的一项热门攻关技术。在自然场景中,行人再识别系统包含两个重要的任务,它们分别是行人检测和行人再识别。深度学习能在一定程度模拟人类的学习模式,解决了许多机器学习中遇到的众多难题,使得人工智能相关技术取得了很大进步,基于深度学习的识别模型几乎达到了行人再识别基准的最佳精度。深度学习方法在行人再识别领域取得的巨大成功,主要采用的是监督学习算法,需要大量的人工标注数据才能获得良好的学习效果。但是,采集和标注一定体量的行人再识别数据集是一个昂贵且耗时的过程。再者,行人在摄像头视场下行走的路线变化大,例如行人直角转向行走,或者同一行人在不同摄像头视场下,都会造成行人表观视角产生巨大的变化,导致识别模型的性能下降。因此,针对行人再识别研究遇到的上述两个重要问题,本文提出了基于视角不变性的无监督行人再识别的研究方法。针对行人再识别模型性能受角度变化的影响,建立了一个通用的无监督深度学习识别模型,在无标签进行微调的情况下,使用时间相干性学习视觉变换和视觉不变性特征,实现视角不变性特征描述子的设计。针对自然场景中实际应用的需求,本文利用BING特征实现行人检测的注意力机制,快速定位行人在原始监控图像中的大致位置,加速行人检测的检测过程,进而权衡了行人再识别系统的速度和准确率,构建了一种无监督的行人再识别系统原型。为了证明基于视角不变性的无监督行人再识别算法的可靠性,本文在iLIDS-VID,PRID2011和MARS三个数据集上进行了验证,在iLIDS-VID和MARS数据集上分别获得了57.5%(R-1)和73.9%(R-5)的较好性能。利用BING+R-CNN作为行人检测器,行人再识别系统获得0.09秒每帧的计算速度。