La ré-identification de personnes (Re-ID) est une tâche complexe consistant à identifier la même personne à travers différentes vues de caméras dans les systèmes de surveillance. Les méthodes actuelles s'appuient généralement sur des caractéristiques extraites à partir de vues monocaméra, ce qui peut s'avérer limité face à des scénarios impliquant plusieurs caméras ainsi que des défis tels que les changements de point de vue ou les occlusions. Dans ce travail, nous introduisons une nouvelle approche visant à améliorer la performance des modèles de Re-ID grâce à une Méthode de Fusion de Caractéristiques Incertaines (UFFM) et une Combinaison Automatique de Mesures Pondereurées (AMC). L'UFFM génère des caractéristiques multi-vues en exploitant des features extraites indépendamment à partir de plusieurs images, afin de réduire le biais lié à la vue. Toutefois, se baser uniquement sur la similarité calculée à partir de ces caractéristiques multi-vues présente des limites, car elles négligent les détails capturés par les caractéristiques monocaméra. Ainsi, nous proposons la méthode AMC pour construire une mesure de similarité plus robuste en combinant plusieurs indicateurs de similarité. Notre approche améliore significativement les performances en termes de précision au rang 1 (Rank@1) et de précision moyenne (mAP) sur diverses bases de données de ré-identification de personnes. En combinant notre méthode avec la base BoT sur des bases de données exigeantes, nous obtenons des résultats remarquables : une amélioration de 7,9 % en Rank@1 et de 12,1 % en mAP sur la base MSMT17. Sur la base Occluded-DukeMTMC, nos résultats montrent une progression de 22,0 % en Rank@1 et de 18,4 % en mAP. Le code source est disponible à l'adresse suivante : https://github.com/chequanghuy/Enhancing-Person-Re-Identification-via-UFFM-and-AMC