随着自动驾驶汽车的安全问题日趋严峻,车路协同感知系统受到了学术界的广泛关注。行人重识别技术作为车路协同感知系统的核心技术之一也因此备受关注。现有基于分布式视觉的行人重识别技术大多基于监督学习框架,存在着跨域性能严重下降、数据制作成本高、过度依赖训练集等问题,而无监督行人重识别技术的出现为弥补上述不足提供了一个新的解决方案。针对目前的无监督行人重识别技术存在着准确率低、数据利用不充分、实时性差等问题,本文提出了一个改进的无监督行人重识别框架并开展实验研究。针对车路协同场景中行人重识别技术面临的准确率较低和数据利用不充分的问题,提出了一个改进的无监督行人重识别框架。为提高视觉分类器的初始准确率,对视觉分类器从特征提取、度量学习、行人匹配三方面分别进行了改进,提出了一个改进的视觉分类器模型。为改善数据信息挖掘不足的问题,对数据信息进行深入分析,应用摄像头编号和拍摄时间建立多相机拓扑估计模型,为视觉分类器提供语义信息,增强视觉分类器的判别能力。最后,为改善数据利用不充分问题,应用排序结果,建立基于特征分层融合的渐进优化网络,使得视觉分类器可以实现自我优化。通过实验,验证了所提方法的有效性。针对上述模型存在的实时性问题,提出了一个新的视觉分类器结构。对实时性问题的具体成因进行深入分析,发现计算耗时主要来自于行人图像的对比过程,基于此,提出基于Q学习的视觉分类器模型。虽然实时性问题得到了一定程度上的解决,但是也由此带来了准确率大幅下降的问题,为此引入行人属性这一语义特征,将其与现有特征提取网络融合,建立基于行人属性-特征融合的特征提取网络,为视觉分类器提供更多可供判别的细节信息,改善准确率大幅下降问题。通过实验验证,优化后的模型在保障Rank-1准确率的情况下,满足了实时性处理的要求。