随着城市化的的发展,车辆作为重要的代步工具也变得越来越重要,但是也给交通管理带来了挑战。在公共安全中对特定车辆进行搜索的需求也成为了需要迫切解决的问题,所以车辆重识别任务也越来越受到人们的广泛关注。识别车辆最简单的方法是车牌重识别,但是由于拍摄的场景,角度,光照影响和套牌车的出现都会有无法识别的情况出现。所以对于这个问题,我们不利用车辆信息来解决车辆重识别问题,仅仅依靠摄像头拍下的信息来进行识别。与其他的目标重识别相似,车辆的不同车型、变化的光照和复杂的环境都严重影响了车辆重识别的有效性。所以,我们提出适用于车辆的基于深度学习的车辆重识别方案。本文工作及贡献主要包括以下一些内容。1)我们首先介绍了车辆的研究背景及其意义,并且对以往车辆重识别方案进行了相应的调研与分析,总结他们的优缺点以及还有哪些方面需要我们解决,同时也介绍了我们提出的网络模型。2)针对车辆的识别问题,我们采用三重损失去训练卷积神经网络,该网络自动提取特征,训练时采用三元组(锚点,正样本,负样本)去捕获它们之间的相对相似性来学习代表性特征。但是,由于传统的三重损失训练时的弱约束性,导致没有达到很好的预期效果。我们提出改进,从三个方面去进行训练:第一,对于传统的三重损失的弱约束性,我们提出批量困难三重损失,既解决了随着训练的不断深入很多三元组变成“无用的”三元组的问题,也解决了训练耗时的问题。第二,我们采用更强大的交叉熵损失去和批量困难三重损失联合训练,加强其约束。第三,为了减弱由于过拟合而降低模型的泛化能力和适应性,我们加入了标签平滑正则化(LSR)。我们在基准数据集上评估所提出的方法,实验结果表明,与现有技术相比较,所提出的方法具有良好的性能。3)针对相似车辆,我们提出了一个多尺度融合的车辆重识别网络,来实现车辆重识别任务。首先,我们提出的方法重点在于学习强大的特征表示以区分类似车辆,以多尺度卷积神经网络融合的框架去训练数据,并且在每个尺度中采用不同的膨胀比,以捕捉到不同的文本信息。再以深浅网络结合进行训练,浅层网络可以产生较少的不变性和低层次的图像特征,深层网络提供高的语义信息。最终被融合在softmax层中,有效地避免了细节信息的缺失。最后对实验结果进行k阶倒数重排列。其中使用的是双支流加权的方式来计算最终距离,一支是计算最近邻的马氏距离,另一支是用提取到的k阶倒数所计算的迪斯卡尔距离。既弥补了漏掉的查询车辆,又减少了负样本的干扰。我们的实验结果证明了所提方法的有效性。