在最近的人体再识别（re-ID）文献中，深度学习的行人表示方法的优势已被广泛报道。本文关注的是在没有标签或仅有少量标签的情况下学习深层特征这一更为实际的问题。我们提出了一种渐进式无监督学习（PUL）方法，用于将预训练的深度表示迁移到未见过的领域。该方法易于实现，可以作为无监督再识别特征学习的有效基线。具体而言，PUL 在 1）行人聚类和 2）卷积神经网络（CNN）微调之间进行迭代，以改进最初在无关标记数据集上训练的模型。由于聚类结果可能非常嘈杂，我们在聚类和微调之间加入了一个选择操作。在模型较弱的初始阶段，CNN 在特征空间中靠近聚类中心的一小部分可靠样本上进行微调。随着模型在后续迭代中变得更强，越来越多的图像被自适应地选为 CNN 训练样本。逐步地，行人聚类和 CNN 模型同时得到改进，直至算法收敛。这一过程自然地被表述为自我节奏学习（self-paced learning）。随后，我们指出了可能进一步提高性能的有前景的方向。在三个大规模再识别数据集上的大量实验表明，PUL 输出了具有区分性的特征，从而提高了再识别的准确性。