本研究は、人物再識別（Person Re-identification, ReID）における教師なしドメイン適応（Unsupervised Domain Adaptation, UDA）の課題に対処するため、「ドメイン適応におけるアンサンブル融合を用いた包括的最適化と精緻化（Comprehensive Optimization and Refinement through Ensemble Fusion in Domain Adaptation for Person Re-identification, CORE-ReID）」という新規フレームワークを提案する。本フレームワークは、事前学習段階においてCycleGANを活用し、異なるカメラソース間の画像特性の差異を調和する多様なデータを生成する。微調整段階では、教師–生徒ネットワークのペアに基づき、多視点特徴を統合して多段階クラスタリングを実施し、多様な疑似ラベルを導出する。さらに、グローバル特徴内に含まれる細粒度の局所情報を重視する学習可能なアンサンブル融合（Ensemble Fusion）コンポーネントを導入することで、学習の包括性を向上させ、複数の疑似ラベルに起因する曖昧性を回避する。人物再識別における3つの代表的なUDAベンチマーク上で実施された実験結果から、最先端手法に対して顕著な性能向上が確認された。また、効率的なチャネルアテンションブロック（Efficient Channel Attention Block）と双方向平均特徴正規化（Bidirectional Mean Feature Normalization）の導入により、偏差効果を軽減し、ResNetベースのモデルを用いたグローバル特徴と局所特徴の適応的融合を実現することで、フレームワークの性能がさらに強化された。本研究で提案するフレームワークは、融合特徴の明確性を確保し、曖昧性を回避しつつ、Mean Average Precision（MAP）、Top-1、Top-5、Top-10の各指標において高い精度を達成する。これにより、人物再識別におけるUDA問題に対して、先進的かつ効果的な解決策として位置づけられる。