La reidentificación de vehículos (Re-ID) basada en Adaptación de Dominio No Supervisada (UDA) ha mostrado un rendimiento prometedor. Sin embargo, todavía existen dos problemas principales: (1) los métodos existentes que utilizan Redes Generativas Antagónicas (GANs) para la mitigación de la brecha de dominio combinan aprendizaje supervisado con etiquetas duras del dominio fuente, lo que resulta en una falta de coincidencia entre los datos de transferencia de estilo y las etiquetas duras; (2) la asignación de pseudoetiquetas en la etapa de ajuste fino se determina únicamente mediante medidas de similitud de características globales utilizando algoritmos de agrupamiento, lo que conduce a ruido inevitable en las etiquetas pseudo-generadas. Para abordar estos problemas, este artículo propone un marco de reidentificación de vehículos no supervisado basado en preentrenamiento semisupervisado cruzado de estilo y división cruzada de características. El marco consta de dos partes: preentrenamiento semisupervisado cruzado de estilo (CSP) y división cruzada de características (FCD) para el ajuste fino del modelo. El módulo CSP genera datos de transferencia de estilo que contienen contenido del dominio fuente y estilo del dominio objetivo utilizando una red de transferencia de estilo, y luego preentrena el modelo de manera semisupervisada utilizando tanto el dominio fuente como los datos de transferencia de estilo. Se diseña una estrategia de reasignación de pseudoetiquetas para generar etiquetas suaves asignadas a los datos de transferencia de estilo. El módulo FCD obtiene particiones de características a través de una nueva división interactiva para reducir la dependencia de las pseudoetiquetas en las características globales, y la medida de similitud final combina los resultados de las características de partición y las características globales. Los resultados experimentales en los conjuntos de datos VehicleID y VeRi-776 muestran que el método propuesto supera a los métodos existentes de reidentificación de vehículos no supervisados. En comparación con el último mejor método en cada conjunto de datos, el método propuesto en este artículo mejora el mAP en un 0.63% y el Rank-1 en un 0.73% en los tres subconjuntos de datos de VehicleID en promedio, y mejora el mAP en un 0.9% y el Rank-1 en un 1% en el conjunto de datos VeRi-776.