行人重识别旨在解决跨摄像机视角条件下的行人图像匹配问题,是计算机视觉和智能安防领域的一个重要研究方向。近几年,得益于深度学习技术的进步,其性能得到了极大的提升。然而,由于姿态变化、光照变化、背景及遮挡的干扰,使得行人重识别研究距离实际应用还有一定的距离。自监督学习作为深度学习领域的一个新兴分支,因为其能够从数据自身挖掘潜在的监督信息,所以在处理大规模数据时存在更好的伸缩性。本文基于自监督学习技术,针对行人重识别中的多个具体问题,提出相应的解决方案。本文主要工作与创新点包括以下四个部分:（1）针对训练数据不足的问题,提出一个基于四分支Siamese网络的框架。首先,设计一种基于自监督学习的数据增广策略,其通过将行人图像水平切分成上下两部分,并把不同行人图像的上下半身重新组合来实现。基于该操作可以实现两种具体的数据增广方法,即,离线类别增广和在线实例增广,其中类别增广可以生成全新的类别,而实例增广可以在原有类别的基础上生成新的图像。此外,结合所提出的数据增广方法,设计一种适配的四分支Siamese网络模型,并将其和上述两个数据增广组件集成在一个统一的框架中,以提高行人重识别的性能。（2）针对如何提取多样化语义特征的问题,提出一种基于自监督的特征解耦方法。首先,根据三通道彩色行人图像自身通道信息之间的关联实现一种简单而又高效的数据增广方法,该方法可以生成大量共享相似边缘信息的训练样本。同时,设计一种软标签分配策略用于刻画原始图像和对应的生成图像之间的相关性。然后,针对所提出的数据增广方法,本文为行人重识别任务设计一种基于编码器-解码器的网络结构,通过基于信息交换式的特征解耦实现不同语义信息的分离。由于该方法中数据增广可以为后续特征解耦提供必要的数据支撑,所以该特征解耦方法更具可解释性且能够有效提升行人重识别的性能。（3）针对如何利用迁移学习的思想提升有监督行人重识别性能的问题,提出一种基于自监督的负迁移学习方法。首先,采用图像通道变换的方法由源数据域生成多个增广域,该操作为后续迁移学习提供数据基础。然后,针对源域和增广域的对称性,设计一种用于行人重识别的对称分类网络,并基于域间结构一致性的思想采用负迁移学习来优化网络。与传统迁移学习方法通过将源域知识迁移至目标域不同,该方法通过促使模型在源域和增广域同时收敛来提升其在源域的性能,所以称之为负迁移学习。（4）针对在无监督行人重识别中如何从数据自身挖掘潜在监督信息的问题,提出一种基于自监督的多域联合训练方法。首先,在预训练阶段实现数据增广,并根据增广数据的特点设计多种标签分配策略以关注数据不同方面的信息,进而通过多任务学习实现特征解耦。然后,在模型微调阶段,根据不同特征之间的逻辑关系有针对性地选择多种聚类算法对不同的语义特征分别聚类。最后,利用不同聚类结果之间的相关性进一步清洗聚类结果来提升伪标签的置信度,最终提高无监督行人重识别的性能。