Le défi de la réidentification de personnes (ReID) non supervisée réside dans l'apprentissage de caractéristiques discriminantes en l'absence d'étiquettes vraies. Ce papier formule la ReID non supervisée comme une tâche de classification multi-étiquettes afin de rechercher progressivement les étiquettes réelles. Notre méthode commence par attribuer à chaque image de personne une étiquette à une seule classe, puis évolue vers une classification multi-étiquettes en exploitant le modèle ReID mis à jour pour prédire les étiquettes. La prédiction d'étiquettes repose sur le calcul de similarité et la cohérence cyclique, garantissant ainsi la qualité des étiquettes prédites. Pour améliorer l'efficacité de l'entraînement du modèle ReID dans le cadre de la classification multi-étiquettes, nous proposons par ailleurs une nouvelle fonction de perte basée sur la mémoire pour la classification multi-étiquettes (MMCL). La MMCL s'appuie sur un classificateur non paramétrique basé sur la mémoire et intègre de manière unifiée la classification multi-étiquettes et la classification à une seule étiquette. Notre méthode de prédiction d'étiquettes et la MMCL s'itérent mutuellement, entraînant une amélioration significative des performances ReID. Des expériences menées sur plusieurs jeux de données de grande taille pour la ReID de personnes démontrent l'efficacité supérieure de notre approche dans le cadre de la ReID non supervisée. De plus, notre méthode permet d'utiliser des images de personnes étiquetées provenant d'autres domaines. Dans ce cadre d'apprentissage par transfert, elle atteint également des performances de pointe.