行人重识别是计算机视觉领域非常热门的研究课题,其在视频监控、智能安防等领域发挥着重要作用。由于行人身份标注的困难,目前只有无监督行人重识别能够适用于大规模现实应用,但由于不同场景下拍摄角度、人物姿态和光照环境等因素的变化,所得图像数据域的分布也不一致,导致无监督模型性能表现并不理想。本文对传统的基于字典学习的无监督行人重识别模型进行改进,除了学习过完备的视觉语义字典,还引入非对称投影用以消除不同摄像头数据间的分布偏差,以提升整体模型的判别性和鲁棒性。为了充分利用深度特征对输入空间非线性转换的优势,以及源域有标签数据携带的行人鉴别信息,本文基于卷积神经网络以及目前最新的特征迁移方案,学习一个由源域及目标域所有子摄像头所共享的嵌入编码空间,在此空间的基础上进行全局粗粒度特征和局部细粒度特征联合学习。本课题开展的具体研究内容如下:（1）大多数传统无监督行人重识别方法没有考虑到不同摄像头下特征分布差异对模型的负面影响,本文结合投影子空间和字典学习,同时引入多视图特征进行性能扩展,提供一个鲁棒的集成模型。首先通过一个非对称投影将不同摄像头下的数据映射到一个公共子空间,接着引入字典学习的误差重构项,通过构建视觉相似度权重矩阵对学习的字典编码进行约束,称拉普拉斯正则项。由于模型最终的识别效果很大程度依赖于相似度矩阵的准确性,而单视图的视觉相似度矩阵可靠性不高,因而引入多种视图特征。本文针对不同视图分别学习一个简单的弱模型,并通过分数融合得到最终的集成匹配结果。（2）现有深度模型未能有效解决因数据域偏差以及目标域伪标签噪音对模型带来的影响,本文将基于域的批量归一化与基于摄像头子域的批量归一化相结合,强制将来自两个域的所有相机图像投影到共同的子空间,从而有效地对齐两个域所有相机之间的数据分布。在此空间对目标域进行基于聚类伪标签生成的对比学习,并进一步提出对比参考空间,其中源域行人类别特征充当专家用以确定目标域行人图像是否具有某些特定的视觉语义特征,从而纠正由目标域聚类引起的身份标记错误,以减少噪声标签。此外,由于粗粒度的行人整体外观不利于正负样本对的挖掘,即不利于识别具有相似外观的不同身份行人和具有不同外观的同一身份行人,我们利用离线姿势检测器从行人图像中裁剪出不同区域的身体部位,然后根据它们分别进行最近邻相似性学习,以避免姿态变化对特征辨别力的干扰,实现细粒度特征学习,从而建立起多粒度无监督重识别模型框架。