现有的全监督人员重识别（ReID）方法通常因域间差异而面临泛化能力较差的问题。解决这一问题的关键在于滤除与身份无关的干扰因素并学习跨域不变的人员表示。本文旨在设计一个可泛化的人员ReID框架，该框架在源域上训练模型，但在目标域上也能表现出良好的泛化性能。为了实现这一目标，我们提出了一种简单而有效的风格归一化与恢复（SNR）模块。具体而言，我们通过实例归一化（IN）来滤除风格变化（如光照、颜色对比度）。然而，这种过程不可避免地会移除一些判别信息。为此，我们提出从被移除的信息中提取与身份相关的特征，并将其恢复到网络中以确保高判别性。为了更好地解耦合，我们在SNR模块中引入了双重因果损失约束，以促进身份相关特征和身份无关特征的分离。大量实验表明，我们的框架具有强大的泛化能力。配备SNR模块的模型在多个广泛使用的人员ReID基准数据集上显著优于最先进的域泛化方法，并且在无监督域适应方面也表现出色。