车辆重识别的主要任务是根据车辆外观特征从图像库或视频库中寻找特定车辆,该技术在智慧城市、天网系统中具有重要的应用价值。但是,目前单一可见光的监控终端往往容易受到复杂环境的干扰,无法满足全时段全天候的监控需求。同时,随着红外监控设备的普及,由可见光终端、红外终端组成的多模态监控条件初步形成,多模态车辆重识别也受到了一定的关注。因此,本文利用注意力机制和交叉一致性对多模态条件下的车辆重识别问题展开了研究。具体的研究内容如下:（1）针对传统可见光条件下的车辆重识别方法在复杂光照环境下的不足和已有多模态车辆重识别数据集在数据多样性上的限制,本工作构造了一个新的多模态车辆重识别数据集MSVR310。该数据集采集了310辆车在不同场景下可见光、近红外和热红外三个模态的数据,包括了遮挡、光照变化、视角变化等多种挑战。相比已有工作,该数据集在数据多样性和测试协议设计上有了较大进步。同时,针对多模态车辆重识别中不同模态数据在内容上的异质性和一致性,本工作还设计了一种基于注意力机制的多模态车辆重识别方法。该方法首先设计了样本风格统一模块,以减小样本内不同模态数据的分布差异。之后,该方法嵌入了跨模态相似性注意力模块,利用不同模态特征间的相似性关系来生成注意力掩码以指导学习过程。最后,该方法改进了传统的三元组损失,使其更加适用于多模态车辆重识别问题。（2）针对多模态车辆重识别数据中广泛存在的样本差异和模态差异,本工作设计了一种基于交叉一致性的多模态车辆重识别方法。该方法包含了一种交叉中心损失,通过同时约束类内各个样本中心和各个模态中心的一致性,从而克服多模态车辆数据中的样本差异和模态差异的影响。此外,由于多模态车辆数据面临严重的环境干扰以及车辆本身的视角变换问题,同一模态内部的特征也存在巨大的分布差异,该方法还设计了一种自适应层归一化单元来动态调节卷积神经网络中层特征的分布,从而缓解模态内分布差异对学习过程的干扰。本文在MSVR310和其他公开多模态车辆重识别数据集RGBN300、RGBNT100上进行了充分的实验,证实了文中方法的良好性能和数据集的科研价值。