域适应在行人重识别（re-ID）中一直是一个具有挑战性的任务。在这项工作中，我们探讨了如何利用目标域样本中存在的自然相似特性，以无监督的方式进行行人重识别的学习。具体而言，我们提出了一种自相似分组（Self-similarity Grouping, SSG）方法，该方法利用未标记样本的潜在相似性（从整体身体到局部部位）自动从不同视角构建多个聚类。这些独立的聚类随后被分配标签，作为伪身份来监督训练过程。我们反复交替执行这一分组和训练过程，直到模型稳定。尽管方法看似简单，但我们的SSG在mAP指标上分别超越了现有最佳方法4.6%（DukeMTMC到Market1501）和4.4%（Market1501到DukeMTMC）。基于我们的SSG方法，我们进一步引入了一种名为SSG++的聚类引导半监督方法，在开放集设置下进行单次域适应（即目标域中的独立身份数量未知）。无需花费大量精力进行标注，我们的SSG++方法可以进一步将mAP指标提升10.7%和6.9%。我们的代码可在以下地址获取：https://github.com/OasisYang/SSG 。