领域自适应行人重识别（Domain Adaptive Person Re-Identification, ReID）由于目标场景中存在领域差异以及标注数据稀缺，面临严峻挑战。为应对上述两大难题，本文提出一种耦合优化方法，包含领域不变映射（Domain-Invariant Mapping, DIM）与全局-局部距离优化（Global-Local Distance Optimization, GLO）两个核心模块。与以往分两阶段进行知识迁移的方法不同，DIM通过将标注数据集与无标注数据集中的图像映射至共享特征空间，实现了更高效的单阶段知识迁移。GLO专为在目标域上采用无监督设置训练ReID模型而设计，不依赖于传统面向监督学习的优化策略，而是引入更多样本参与距离优化过程，显著提升了对噪声标签预测的鲁棒性。同时，GLO融合了全局数据集与局部训练批次中的距离优化机制，从而展现出更优的训练效率。在三个大规模数据集（Market-1501、DukeMTMC-reID 和 MSMT17）上的大量实验表明，所提出的耦合优化方法在性能上大幅超越现有最先进方法。此外，该方法在无监督训练场景下亦表现优异，甚至超越若干近期提出的领域自适应方法。