Unüberwachte Personen-Wiedererkennung (ReID) zielt darauf ab, ein Abfragebild eines Fußgängers mit Bildern in einem Galerie-Datensatz ohne überwachende Labels zu vergleichen. Die gängigsten Ansätze zur Bewältigung der unüberwachten Personen-Wiedererkennung führen zunächst einen Clusteralgorithmus durch, um Pseudo-Labels zu generieren, und nutzen diese anschließend, um ein tiefes neuronales Netzwerk zu trainieren. Allerdings sind die Pseudo-Labels fehleranfällig und empfindlich gegenüber den Hyperparametern des Clusteralgorithmus. In dieser Arbeit schlagen wir einen Hybrid Contrastive Learning (HCL)-Ansatz für die unüberwachte Personen-Wiedererkennung vor, der auf einer Kombination von instanzbasierten und clustergestützten Kontrastfunktionen basiert. Darüber hinaus präsentieren wir einen Multi-Granularity Clustering Ensemble basierten Hybrid Contrastive Learning (MGCE-HCL)-Ansatz, der eine Strategie des Mehrgranularitäts-Clusterverbunds anwendet, um Prioritätsinformationen unter den Pseudo-positiven Stichprobenpaaren zu gewinnen, und eine prioritätsgewichtete hybride Kontrastfunktion definiert, um die Fehlertoleranz bei den Pseudo-positiven Stichproben zu verbessern. Wir führen umfangreiche Experimente auf zwei Benchmark-Datensätzen durch: Market-1501 und DukeMTMC-reID. Die experimentellen Ergebnisse bestätigen die Effektivität unserer Vorschläge.