大多数现有的人员再识别（re-id）方法依赖于在每对摄像机上手动标注的配对训练数据进行监督模型学习。这导致在实际部署中由于缺乏对每个摄像机对的图像正负样本对进行全面的身份标注，再识别方法的可扩展性较差。在这项工作中，我们通过提出一种无监督的再识别深度学习方法来解决这一问题，该方法能够在端到端模型优化过程中逐步发现并利用从视频中自动生成的人员轨迹数据中的潜在再识别判别信息。我们构建了一个轨迹关联无监督深度学习（TAUDL）框架，其特点是联合学习每台摄像机内部（in-camera）的轨迹关联（标注）和跨摄像机的轨迹相关性，以最大化发现不同摄像机视图之间最可能的轨迹关系。广泛的实验表明，所提出的TAUDL模型在六个人员再识别基准数据集上优于现有的最先进的无监督和领域适应再识别方法。