In dieser Arbeit befassen wir uns mit einer hoch anspruchsvollen und gleichzeitig kritischen Aufgabe: der unüberwachten Langzeit-Personen-Wiedererkennung bei Kleiderwechsel. Die bisherigen unüberwachten Methoden zur Personen-Wiedererkennung sind hauptsächlich für kurzfristige Szenarien ausgelegt und basieren in der Regel auf RGB-Hinweisen, sodass sie Merkmalsmuster, die unabhängig von der Kleidung sind, nicht erfassen können. Um diese Hürde zu überwinden, schlagen wir eine silhouettengetriebene kontrastive Lernmethode (SiCL) vor, die darauf abzielt, durch die Integration von sowohl RGB-Hinweisen als auch Silhouetteninformationen innerhalb eines kontrastiven Lernrahmens Kleiderunabhängigkeit zu erlernen. Nach unserem Wissen ist dies das erste speziell entwickelte Framework für die unüberwachte Langzeit-Personen-Wiedererkennung bei Kleiderwechsel, das eine überlegene Leistung auf sechs Benchmark-Datensätzen zeigt. Wir führen umfangreiche Experimente durch, um unsere vorgeschlagene SiCL-Methode im Vergleich zu den neuesten unüberwachten Methoden zur Personen-Wiedererkennung auf allen repräsentativen Datensätzen zu bewerten. Die experimentellen Ergebnisse zeigen, dass unsere vorgeschlagene SiCL-Methode anderen unüberwachten Wiedererkennungsverfahren deutlich überlegen ist.