尽管监督式行人重识别（re-id）技术已取得显著进展，但由于域间差异巨大，现有模型在迁移到新域时仍面临严重泛化挑战。近年来，无监督域自适应（unsupervised domain adaptation）因其在提升模型可扩展性方面的潜力而受到越来越多关注。然而，现有方法通常在同时包含身份相关与身份无关因素的表示空间中进行域适应，不可避免地削弱了身份相关特征的适应效果。为此，本文提出通过净化待适应的表示空间来提升域适应性能。我们设计了一种联合学习框架，能够分离身份相关与身份无关特征，并强制域适应仅在身份相关特征空间中进行。该模型包含一个解耦模块，用于将跨域图像编码至共享外观空间以及两个独立的结构空间；同时配备一个适应模块，在共享外观空间中执行对抗性对齐与自训练。两个模块协同设计，相互促进。大量实验结果表明，所提出的联合学习框架在性能上显著优于当前最先进方法。