Wir untersuchen das Problem der unüberwachten Domänenanpassung für die Wiedererkennung (re-ID), welches ein aktuelles Thema im Bereich der Computer Vision ist, aber bisher eine theoretische Grundlage vermisst. Zunächst erweitern wir bestehende Theorien zur unüberwachten Domänenanpassung in Klassifikationsaufgaben auf re-ID-Aufgaben. Konkret führen wir einige Annahmen über den extrahierten Merkmalsraum ein und leiten darauf basierend mehrere Verlustfunktionen ab. Um diese zu optimieren, wird ein neues Selbsttrainingsverfahren für unüberwachte Domänenanpassung bei re-ID-Aufgaben vorgeschlagen. Dieses macht iterativ Vermutungen über nicht gekennzeichnete Ziel-Daten mithilfe eines Encoders und trainiert den Encoder auf Basis dieser Vermutungen. Ausführliche Experimente zur unüberwachten Domänenanpassung bei der Wiedererkennung von Personen und Fahrzeugen, verglichen mit dem aktuellen Stand der Technik, bestätigen die Effektivität der vorgeschlagenen Theorien und des Selbsttrainingsrahmens. Unser Code ist unter \url{https://github.com/LcDog/DomainAdaptiveReID} verfügbar.