基于深度学习的行人重识别（Re-ID）技术取得了显著的成功，广泛应用于视频监控、智能交通和城市规划等安全关键领域。然而，Re-ID系统容易受到对抗样本的攻击，这些对抗样本在白盒攻击中表现出高成功率，但在黑盒攻击中的可转移性相对较低。为了提高对抗样本的可转移性，本文提出了一种新的自适应梯度相似性攻击方法（AGS）。AGS 包括两个核心部分：梯度相似机制和增强的二阶矩。具体来说，本文根据相邻输入的邻域信息建立了梯度相似机制，以自适应地修正更新方向。此外，本文还设计了一个增强的二阶矩，在每次迭代中动态调整步长，以防止在最优点附近剧烈震荡。大量实验证实，与最先进的基于梯度的攻击方法相比，本文提出的AGS方法取得了最佳性能。此外，AGS 是一种通用的方法，可以与现有的攻击技术融合，进一步提升其应用的广泛性和灵活性。