行人重识别是一种利用计算机技术判断摄像机收集的视频或图像中是否存在特定行人的技术,可以自动地对多个不交叉摄像机捕捉的行人图像进行匹配,因而在智能监控系统中发挥着显著作用。但现有的大多数行人重识别方法是在单个有标记数据集上进行训练和测试的,如果在源数据集上训练的模型直接应用到目标数据集上会产生因行人图像风格差异等因素引起的域偏移问题,从而导致最终的识别精度很低。现实场景中已标记的行人样本是极度缺乏的,这表示在已标记单域上训练和测试的有监督行人重识别方法无法有效的应用到实际场景中,从而导致该类方法的扩展性差。其主要原因有两点:1)不同数据集的行人图像因摄像机分辨率、视角和光照等因素的影响存在很大的风格差异,从而导致不同数据集间存在域偏移问题;2)目标数据集缺乏标记样本,无法有效挖掘目标数据集的监督信息,使得最终的识别精度低。为此,本文提出一种低秩先验引导的域不变信息分离的字典学习方案。主要思想是根据同一视角下行人图像风格信息的低秩先验性,将行人图像特征中的风格信息和行人身份信息分离开来,从而减小因图像风格差异引起的域偏移问题。本文的主要贡献及创新点如下:（1）基于同一摄像机视角下行人图像成分风格的低秩先验性,提出了一种基于低秩成分分离的无监督域不变可扩展行人重识别字典学习方法。该方法不仅能有效缓解不同相机视角间域的偏移,还能有效降低被分离后行人身份特征的歧义性,避免行人标签信息的迁移。（2）本文将语义属性空间、潜在视觉特征空间以及源域中的行人身份标签关联起来,并利用语义属性的域不变特性,使源数据集学到的知识能够迁移到目标数据集中,从而提升字典的判别性。（3）本文加入了一种自训练策略来实现性能的提高,通过预测目标数据集中样本伪标签来调整和优化训练模型,从而进一步提升识别性能。（4）本文通过大量实验对算法进行验证,结果显示本文算法的性能在多个数据集上不仅超过了一些传统的基于字典学习的有监督行人重识别方法,还超过了部分基于深度学习的无监督域自适应行人重识别方法。