目前行人重识别技术已经广泛应用于智慧城市的安防领域。随着深度学习的不断发展以及具体业务场景中对于行人重识别准确性要求的不断提高,当前基于监督数据集训练的静态模型已无法满足在广泛的场景实时有效地检索出目标行人。本文针对在多域场景下,如何有效地提高行人重识别算法泛化性的问题开展了相关研究,并提出基于域自适应的行人重识别方法。基于域自适应的行人重识别方法分为三个阶段。第一个阶段本文设计了一个缓解多域间域偏差问题的基线模型,通过使用IN模块过滤行人图像中与身份信息无关的背景信息。在训练过程中,引入异方差不确定性平衡分类损失与度量损失之间的贡献。在第二个阶段,本文使用DBSCAN聚类算法为目标域数据生成伪标签,使用平均教师方法生成不确定度量,对于低置信度样本给予弱的损失贡献,避免了伪标签噪声数据对于训练的干扰。第三个阶段,本文使用基于重播和基于知识蒸馏的增量学习方法避免模型对于已有知识的遗忘。在基于重播的方法中,本文提出最大差异度量保留最有价值的训练样本。在基于知识蒸馏的方法中,本文提出使用三元组损失蒸馏函数将源域知识以及目标域知识合并为新的基线模型。最后本文基于上述提出的方法构建了基于域的行人重识别原型系统。实验结果表明,本文所提出的领域自适应方法在大型数据集上的表现优于大多数最新算法,同时缓解了灾难性遗忘的问题,这清楚地证明了本文所提出方法的有效性。