Nous étudions le problème d'adaptation de domaine non supervisée pour la ré-identification (ré-ID), un sujet actif en vision par ordinateur mais qui manque d'une base théorique. Nous commençons par étendre les théories existantes d'adaptation de domaine non supervisée aux tâches de ré-ID. Plus précisément, nous introduisons certaines hypothèses sur l'espace des caractéristiques extraites, puis nous dérivons plusieurs fonctions de perte guidées par ces hypothèses. Pour les optimiser, nous proposons un nouveau schéma d'apprentissage auto pour les tâches d'adaptation de domaine non supervisée en ré-ID. Ce schéma itérativement fait des suppositions sur les données cibles non étiquetées à partir d'un encodeur et entraîne l'encodeur en fonction des étiquettes supposées. De nombreuses expériences menées sur des tâches de ré-identification non supervisée de personnes et de véhicules, avec des comparaisons aux méthodes les plus avancées, confirment l'efficacité des théories proposées et du cadre d'apprentissage auto. Notre code est disponible à l'adresse \url{https://github.com/LcDog/DomainAdaptiveReID}.