无监督行人重识别（ReID）旨在无需标注信息的情况下学习具有判别性的身份特征。近年来，自监督对比学习因其在无监督表示学习中的高效性而受到越来越多关注。实例对比学习的核心思想是将同一实例在不同增强视图下的表示进行匹配。然而，以往的对比学习方法对不同实例之间的关系尚未充分挖掘，尤其是在实例级别的对比损失设计方面。为解决这一问题，本文提出一种新型的跨实例对比编码方法（Inter-instance Contrastive Encoding, ICE），该方法利用实例间的成对相似度得分，以增强现有的类别级别对比ReID方法。具体而言，我们首先将成对相似度排序结果作为one-hot硬伪标签，用于强化困难实例的对比学习，从而有效降低类内差异。随后，我们采用相似度得分作为软伪标签，以增强原始视图与增强视图之间的表示一致性，使模型对数据增强扰动具有更强的鲁棒性。在多个大规模行人重识别数据集上的实验结果表明，所提出的无监督方法ICE具有显著有效性，其性能甚至可与有监督方法相媲美。相关代码已开源，地址为：https://github.com/chenhao2345/ICE。