Domain-adaptives Person Re-Identification (Re-ID) stellt eine herausfordernde Aufgabe dar, insbesondere wenn die Personidentitäten in Zieldomänen unbekannt sind. Bestehende Methoden versuchen, diese Herausforderung durch den Transfer von Bildstilen oder die Ausrichtung von Merkmalsverteilungen zwischen Domänen zu bewältigen, wobei die reichhaltigen, unlabeleden Proben in Zieldomänen jedoch nicht ausreichend ausgenutzt werden. In dieser Arbeit wird eine neuartige erweiterte diskriminative Clustering-Methode (AD-Cluster) vorgestellt, die Personcluster in Zieldomänen schätzt und erweitert und gleichzeitig die Diskriminierungsfähigkeit von Re-ID-Modellen durch die erweiterten Cluster stärkt. AD-Cluster wird durch eine iterative dichte-basierte Clustering-Technik, adaptive Probenvervollständigung und diskriminative Merkmalslernverfahren trainiert. Dabei lernt das Verfahren einen Bildgenerator und einen Merkmalsencoder, die darauf abzielen, die intra-cluster-Vielfalt im Probenraum zu maximieren und die intra-cluster-Distanz im Merkmalsraum zu minimieren, im Sinne eines adversarialen Min-Max-Prozesses. Abschließend erhöht AD-Cluster signifikant die Vielfalt der Probencluster und verbessert stark die Diskriminierungsfähigkeit von Re-ID-Modellen. Umfangreiche Experimente auf den Datensätzen Market-1501 und DukeMTMC-reID zeigen, dass AD-Cluster die derzeit besten Ansätze mit großem Abstand übertrifft.