Unüberwachtes Person-Re-Identification (Re-ID) ist ein vielversprechendes und äußerst herausforderndes Forschungsthema im Bereich der Computer Vision. Die Entwicklung robuster und diskriminativer Merkmale anhand von ungelabelten Daten ist von zentraler Bedeutung für Re-ID. In jüngster Zeit rückten Algorithmen für unüberwachtes Re-ID, die auf clusterbasierten Pseudolabels beruhen, stärker in den Fokus. Bisherige Ansätze nutzten jedoch die Informationen schwerer (hard) Beispielinstanzen nicht ausreichend und verwendeten lediglich den Clusterzentroid oder alle Instanzen für den kontrastiven Lernprozess. In diesem Paper stellen wir einen Ansatz namens Hard-sample Guided Hybrid Contrast Learning (HHCL) vor, der sowohl eine clusterbasierte als auch eine instanzbasierte Verlustfunktion kombiniert, um unüberwachtes Person-Re-ID zu verbessern. Unser Ansatz wendet eine kontrastive Verlustfunktion basierend auf Clusterzentroiden an, um eine stabilere Netzwerkaktualisierung zu gewährleisten. Gleichzeitig wird durch die Einführung einer kontrastiven Verlustfunktion für schwierige Instanzen zusätzliche diskriminative Information extrahiert. Umfassende Experimente an zwei etablierten, großen Re-ID-Benchmarks zeigen, dass unser HHCL die bisherigen State-of-the-Art-Methoden übertrifft und die Leistungsfähigkeit unüberwachter Person-Re-ID signifikant steigert. Der Quellcode unserer Arbeit wird in Kürze unter https://github.com/bupt-ai-cz/HHCL-ReID veröffentlicht.