车辆重识别技术也被称为车辆的跨镜头追踪技术,车辆重识别（Re-ID）的目的是从互不重叠的摄像头捕捉的监控视频图像中找到与待查询车辆相同的所有车辆。近年来,车辆重识别技术受到学术界以及工业界越来越多的关注,其在智能交通系统中具有广泛的应用。车辆不仅种类繁多,而且形态各异,具有典型的“类间差异小、类内差异大”的挑战,如不同车辆由于具有相同的车型、颜色甚至是生产制造商,其外观之间差异微小,而同一车辆由于所处不同的交通场景,其外观之间差异巨大。此外,再加上车辆在跨摄像头运动时拍摄视角的剧烈变化,更加加剧了车辆重识别的挑战。针对上述所面临的挑战,本文基于深度学习思想对车辆重识别任务进行了研究,主要研究工作如下:（1）针对复杂交通场景下许多车辆拥有几乎相同的外观导致车辆重识别准确率下降的挑战,本文提出一个具有局部感知能力和特征互补学习的三分支嵌入网络。其中,全局分支用来提取车辆的全局特征。局部分支通过注意力机制去学习图像中细微但有鉴别力的车辆部件特征。为了适应车辆在跨摄像头运动中车辆外观不断的动态变化,本文设计了互补分支,去提取更加完整的结构特征和多粒度特征。最后,将三分支的特征整合到一个统一的框架进行端对端的学习,不但获得了更加丰富和完整的车辆特征,而且还能够适应车辆图像中不断变化的关键局部信息。（2）为了解决局部特征学习泛化能力低的问题,本文提出了一种视角感知下的局部增强模块,通过弱监督注意力学习方式自适应地增强显著性局部特征学习。相比于基于强监督人工局部标注方法所获得的固定的局部信息,本文的模型不仅可以更加容易地定位视角内更多的局部区域,还降低了大量昂贵的标注成本,增强了局部学习泛化能力。（3）为了减小车辆跨视角重识别巨大的视角偏差的问题,本文提出了一个共同视角的注意力增强模块,根据匹配车辆的视角间的相似度去计算注意力权重,使得同一视角下特征学习得到增强,不同视角特征学习受到抑制,从而增强视角特征的差异性和对剧烈视角变化的鲁棒性。