本发明公开了一种基于无监督学习的行人重识别方法，在特征存储器中只保存聚类得到的类中心，采用分组采样的方式获取小样本集，并结合难例挖掘的方法更新存储器中的特征向量和特征提取网络模型参数，实现了在无标签数据集上的伪标签自动生成，增强了模型对于噪声数据的鲁棒性，大大减小了存储器对于内存空间的高额要求。本发明剔除了离群样本点对聚类中心的干扰，避免了随机采样导致的过拟合等问题，在小样本迭代过程中不更改数据标签，降低了标签跳变等噪声数据对于模型稳定性的影响，加速了模型的收敛，提高行人重识别模型在不同场景下的泛化能力。