La plupart des méthodes actuelles de réidentification de personnes (re-id) s'appuient sur l'apprentissage supervisé de modèles à partir de données d'entraînement manuellement étiquetées pour chaque paire de caméras. Cela entraîne une mauvaise évolutivité lors d'un déploiement pratique de la réidentification, en raison du manque d'étiquetage exhaustif des identités des paires d'images positives et négatives pour chaque paire de caméras. Dans ce travail, nous présentons une approche d'apprentissage profond non supervisée pour la réidentification de personnes. Cette méthode est capable de découvrir et d'exploiter progressivement les informations discriminantes sous-jacentes pour la réidentification à partir des données de tracklets de personnes générées automatiquement, dans un processus intégré. Nous formulons un cadre d'Apprentissage Non Supervisé d'Association de Tracklets (UTAL). Celui-ci consiste à apprendre conjointement la discrimination des tracklets au sein d'une même caméra et l'association des tracklets entre différentes caméras afin de maximiser la découverte des correspondances d'identité des tracklets, tant au sein que entre les vues des caméras. De nombreuses expériences montrent la supériorité du modèle proposé par rapport aux méthodes actuelles d'apprentissage non supervisé et d'adaptation de domaine pour la réidentification de personnes sur huit jeux de données de référence.