智能交通系统的不断发展引发了车辆相关领域诸如检测、跟踪和搜索等的研究热潮。与这些领域的火热相比，车辆的重识别（Re-ID），即利用计算机判断图像或者视频序列中是否存在特定车辆的技术，还缺乏相应的研究。已有的车重识别技术主要存在图片信息干扰，代表特征难以选取和网络训练复杂等难点。　　针对现有的技术难点，本文借鉴现有的提取车型识别网络顶层输出作为车辆深度表征，将其用于车辆相似度排序的方法，将车辆的多种属性识别引入车重识别中。本文首先提出一种车辆多属性识别网络MAR，用多任务神经网络同时完成车辆的车型和颜色识别并且有很高的识别准确率。然后为了完成车重识别任务，在属性识别网络中加入车辆专属号码（ID）分类器，得到一种车辆多属性和ID分类网络MAIR。用该网络提取的顶层输出作为深度表征，将它们映射到欧式空间进行相似度排序。该方法训练简单，识别精度高，相比现有方法具有明显优势。最后针对提出的方法从表征提取和之后的度量学习两个方面进行优化，即在网络中的ID分类分支中加入Center loss损失函数增强类内聚合性，强化表征的判别能力；使用XQDA方法计算查找样本和候选样本之间的马氏距离代替欧氏距离，使度量方法更好地适应表征，进一步提升了模型匹配能力。　　本文提出的方法在现有的真实场景车辆重识别数据集上取得了明显提升，并且在其他数据集上测试也优势明显，具有良好的泛化性能，具有很高的应用价值。