行人重识别（Re-ID）旨在从不同摄像头拍摄的图像中识别出同一行人。为应对这一具有挑战性的任务，现有Re-ID模型通常依赖大量标注的训练数据，这在实际应用中并不现实。为缓解这一限制，当前研究聚焦于跨数据集行人重识别（cross-dataset re-ID），即在给定一个标注源域数据集的前提下，使模型具备将判别性特征泛化至未标注目标域的能力。为实现该目标，本文提出姿态解耦与适应网络（Pose Disentanglement and Adaptation Network, PDA-Net），旨在学习一种深度图像表示，其中姿态信息与域信息被有效解耦。借助所学习的跨域姿态不变特征空间，PDA-Net能够在不依赖身份监督的情况下实现跨域姿态解耦，所生成的特征可直接应用于跨数据集行人重识别任务。在两个基准数据集上的定性与定量实验结果均验证了所提方法的有效性，并表明其在性能上优于当前最先进的跨数据集Re-ID方法。