行人重识别旨在不同摄像头下寻找相同行人图像。它在智能安防和智慧零售中具有十分重要的作用。随着深度学习技术的发展,行人重识别模型的识别精度逐渐提升,已经达到较高识别精度。但是这些方法往往需要大量高质量的标注数据训练模型,并且模型易局限于特定的场景,不能很好地泛化到新场景中进行应用,故行人重识别中的无监督学习和无监督域适应问题成为了近年来研究的热点。本文针对这两方面问题,分别提出非对称协同教学网络（ACT）和行人生成与正样本对挖掘（PGPPM）算法。ACT算法通过充分利用类协同教学框架从目标域数据挖掘可靠的样本微调模型,并使用非对称数据流防止模型陷入局部极优,从而使模型能在新场景下仍然保持较高识别精度。PGPPM则针对无监督行人重识别没有标注训练数据的难点,首先训练生成网络生成虚拟数据集,再利用基于协同滤波的正样本对挖掘算法预测行人数据标签,微调模型提升精度。本文的主要工作和创新点如下:（1）针对现阶段行人重识别模型容易过拟合,跨场景识别精度低的特点,提出一种无监督跨域行人重识别方法ACT。该方法使用聚类算法从新场景（目标域）中挖掘训练样本,并借助类协同教学网络结构降低聚类噪声对训练的干扰。本文进一步针对传统类协同教学方法容易陷入局部极优的缺点,设计非对称数据流分别用于两个子网络的训练,进一步提升了域适应精度。（2）针对现阶段行人重识别精度依赖大量标注数据的缺点,提出无监督行人重识别PGPPM算法。该方法首先从大量无标注数据中训练行人生成模型,生成有标签的虚拟数据集,并利用它来初始化re-ID模型。其次,提出一种新颖的基于协同滤波的正样本对挖掘算法挖掘训练样本,最后微调模型。PGPPM通过将真实数据纳入训练过程,在缓解失真虚拟图像带来的负面影响的同时,也进一步提升了模型精度。本文在域适应和无监督行人重识别的多个公开数据集上,对上述提出的算法进行了多个对比实验,实验均取得了目前为止最好的识别精度,验证了本文方法的有效性。