随着社会的发展,车辆数量的增多使道路交通情况日益复杂,给交通管制和交通安全带来很多挑战。车辆重识别技术能够在海量的车辆图片库中快速准确的检索出目标车辆,在道路交通管制中具有重要作用,对维护交通安全和社会公共安全具有重要价值,因此成为越来越多研究者关注的问题。车辆重识别的任务是在车辆图片库中识别出跨摄像头下同一辆车的所有图片。近几年深度学习被广泛应用于计算机视觉的各种任务并取得了突破性的效果,事实证明基于深度学习的车辆重识别方法在特征提取方面相比手工特征提取具有明显的优势。但是由于不同车相同车型的车辆存在很强的外观相似性,即类间相似性,只能依靠细微的外观差异进行识别,给车辆重识别带来很大挑战。针对上述问题,本文分别提出基于多粒度学习的车辆重识别方法和基于局部可区分性特征的车辆重识别方法。针对不同车相同车型的类间相似性问题,提出基于多粒度学习的方法。利用车型信息,将车辆重识别分为两个子任务:不同车型的粗粒度识别和不同车相同车型的细粒度识别。针对两个子任务,分别提出粗粒度损失函数和细粒度损失函数,充分利用车型信息优化特征空间的相似性距离,使网络能够学习不同车型的特征差异及不同车相同车型的特征差异。另外,对于车型信息标注不完整的数据集,如Vehicle ID数据集,考虑到手工标注的成本和难度,提出在线车型标签生成的方法,并在训练过程中不断更新车型标签。针对全局特征不能关注到不同车相同车型的局部特征差异问题,提出基于局部可区分性特征的方法。利用softmax损失函数和三元组损失函数联合优化的网络模型作为基准网络,在此基础上首先验证了基于规则划分的局部特征方法的有效性,其次针对规则划分的固定性和手动性,进一步提出基于注意力机制的方法,即通过注意力模型自动学习局部可区分性特征。最后通过结合基于规则划分的局部特征、基于注意力机制的局部特征和全局特征三个分支来优化网络,得到更具有区分性和鲁棒性的特征。实验表明,上述两种方法在两个主流车辆重识别数据集Vehicle ID和Ve Ri-776上的性能均可以达到目前最高水平。