深度学习方法已经开始主导基于视频的人再识别（re-id）的研究进展。然而，现有的方法大多考虑监督学习，这需要大量的手动工作来标记跨视角的配对数据。因此，这些方法在实际的视频监控应用中严重缺乏可扩展性和实用性。在这项工作中，为了解决视频人物再识别任务，我们提出了一种新颖的深度关联学习（Deep Association Learning, DAL）方案，这是首个在模型初始化和训练过程中完全不使用身份标签的端到端深度学习方法。DAL通过联合优化两个基于边距的关联损失来学习一个深度再识别匹配模型，有效地约束了每个帧与其最佳匹配的同摄像头表示和跨摄像头表示之间的关联。现有的标准卷积神经网络（CNNs）可以很容易地应用于我们的DAL方案中。实验结果表明，我们提出的DAL在三个基准数据集上显著优于当前最先进的无监督视频人物再识别方法：PRID 2011、iLIDS-VID 和 MARS。