La reidentificación de personas (Re-ID) basada en redes neuronales convolucionales profundas (CNN) logra un éxito notable con su rapidez. Sin embargo, los modelos de Re-ID predominantes suelen construirse sobre estructuras diseñadas manualmente para clasificación. Con el fin de diseñar automáticamente una arquitectura de Re-ID efectiva, proponemos un algoritmo de reidentificación de peatones basado en destilación de conocimiento, llamado KDAS-ReID. Cuando el conocimiento del modelo profesor se transfiere al modelo alumno, la importancia del conocimiento en el modelo profesor disminuirá gradualmente con la mejora del rendimiento del modelo alumno. Por lo tanto, en lugar de aplicar directamente la función de pérdida por destilación, consideramos utilizar temperaturas dinámicas durante la etapa de búsqueda y la etapa de entrenamiento. Específicamente, comenzamos la búsqueda y el entrenamiento a una temperatura alta y reducimos gradualmente la temperatura a 1 para que el modelo alumno pueda aprender mejor del modelo profesor a través de objetivos suaves. Experimentos extensos demuestran que KDAS-ReID no solo tiene un mejor rendimiento que otros modelos de Re-ID de última generación en tres pruebas, sino que también supera al modelo profesor basado en la estructura ResNet-50.