监督式行人重识别（person re-identification, re-ID）方法严重依赖高质量的跨摄像头训练标签，这在很大程度上限制了其在真实场景中的应用。相比之下，无监督行人重识别方法虽可显著降低数据标注成本，但其性能仍远低于监督方法。本文充分利用数据集中挖掘出的辅助信息，实现多模态特征学习，包括摄像头信息、时序信息与空间信息。通过分析摄像头间的风格偏差、行人运动轨迹的特性以及摄像头网络的拓扑结构，本文设计了三个创新模块：时间重叠约束（Time-Overlapping Constraint, TOC）、时空相似性模块（Spatio-Temporal Similarity, STS）与同摄像头惩罚模块（Same-Camera Penalty, SCP），以有效利用上述辅助信息。这些辅助信息可通过构建关联约束或与视觉特征融合，从而提升模型性能与推理准确性。此外，本文还提出了三种高效的训练技巧：受限标签平滑交叉熵损失（Restricted Label Smoothing Cross Entropy Loss, RLSCE）、权重自适应三元组损失（Weight Adaptive Triplet Loss, WATL）以及动态训练迭代策略（Dynamic Training Iterations, DTI）。在MARS和DukeMTMC-VideoReID数据集上，所提方法分别取得了72.4%和81.1%的mAP成绩。结合上述辅助信息利用模块后，本方法在DukeMTMC数据集上进一步达到89.9%的mAP，其中TOC、STS与SCP模块均对性能提升做出了显著贡献。实验结果表明，本文提出的方法显著优于大多数现有无监督重识别方法，并有效缩小了无监督与监督方法之间的性能差距。相关代码已开源，地址为：https://github.com/tenghehan/AuxUSLReID。