无监督行人重识别（Re-ID）旨在在无监督设置下，匹配来自不同摄像头视角的行人图像。现有的无监督行人Re-ID方法通常基于聚类生成的伪标签。然而，聚类质量在很大程度上依赖于所学习特征的质量，而在无监督设置下，这些特征往往过度受图像颜色信息的影响。为此，本文提出了一种基于聚类引导的非对称对比学习（Cluster-guided Asymmetric Contrastive Learning, CACL）方法，用于无监督行人重识别。该方法在精心设计的非对称对比学习框架中，利用聚类结构引导特征学习过程。具体而言，我们提出了一种新颖的聚类级别对比损失函数，以帮助孪生网络在不同数据增强视图内部及视图之间，有效挖掘特征学习中的不变性。在三个基准数据集上开展的大量实验表明，所提方法显著优于现有方法，展现出优越的性能。