车辆再识别和追踪是智能交通系统(Intelligent Transportation System,ITS)研究的重点与难点。而密集交通场景在城市道路交通系统中出现的频率也在不断上升。提升密集交通场景下的追踪准确率对于提高车辆追踪系统性能起着至关重要的作用。但在该场景下车辆再识别和追踪存在着诸多挑战,如目标分辨率过小、跨摄像头车辆再识别以及由于遮挡造成的身份标签变换(Identity Switches,ID switches)。针对以上问题,本文提出了基于混合特征的运动车辆再识别和追踪系统,进一步提高车辆追踪的可靠性、准确性。本文主要贡献如下。本文提出超分辨率重建网络——层级递归网络,实现将低分辨率车辆图像重建为质量更高的高分辨率图像。层级递归模块提升细节纹理重建效果且以递归方式共享参数,减少参数量。实验结果表明本文提出的层级递归网络能够更好的实现车辆图像的超分辨率重建。针对跨摄像头车辆再识别问题,本文提出递归残差网络作为特征提取器,提取车辆图像特征。在递归残差网络中本文提出了全局残差学习和局部残差学习来减小训练难度、传递图像细节信息至深层网络。此外,本文采用分离间隔损失代替传统的间隔损失,基于多损失监督的方式进行监督训练。实验表明本文提出的递归残差网络能够有效地减弱相机间差异对车辆再识别的影响。针对密集交通场景下的遮挡问题,本文采用了基于混合特征的轨迹匹配策略,以减少ID switches。其中混合特征包括目标的外观特征以及深度学习特征。外观特征由RGB、HSV、Lab、HOG以及LBP特征组成。深度学习特征为递归残差网络得到的目标的高频特征。本文在具有挑战性的车辆追踪数据集上的实验结果表明,基于层级递归网络对低分辨率图像进行重建,能够减少密集交通场景下目标分辨率过低对特征提取的影响。同时实验还表明基于混合特征的车辆识别匹配算法能够进一步提高车辆追踪的准确率,减少ID switches。