近年来,车辆数量的增长使得基于人工的交通管控变得越来越困难,急需引入智能化的管理手段,因此智慧交通系统应运而生。车辆重识别技术作为智慧交通系统的重要技术之一,可以在具有不同视角的图像或视频中识别出特定的车辆,在智能安防、车辆追踪等方面发挥重要作用。目前依靠车牌识别是最可靠的重识别方式,但由于存在环境的多变以及拍摄位置的不同导致车牌易被遮挡,套牌假牌时有发生以及车牌信息涉及车主隐私保护等问题,因此针对无车牌的车辆重识别技术研究显得十分重要。本文旨在研究利用深度学习技术挖掘车辆表观特征进行车辆重识别的方法。而在已有方法中存在两个问题:一、基于局部特征的方法很少考虑到车辆局部特征之间的相互联系,导致模型对细节的提取能力不够,难以区分相似样本。二、传统的基于注意力的方法忽略了不同特征通道的相关性作用,会有一定的特征冗余,导致特征的表征能力较差,进而影响车辆重识别的结果。针对上述问题一,本文研究设计了两种基于局部特征的深度学习网络。与常用的局部特征提取网络不同,本文从图像的局部序列结构以及图结构两个角度出发,提出基于LSTM的局部特征提取网络和基于图卷积的局部特征提取网络。前者可以利用LSTM的记忆与遗忘特性对图像局部特征进行序列化建模,建立局部特征的依赖关系。后者可以利用图结构进行局部特征之间的信息融合,提取图像的空间结构化特征。最后将这两种网络分别与本文设计的全局特征提取分支相融合,并在两个公开数据集上验证了这两种局部特征与全局特征融合结构的合理性以及有效性。针对上述问题二,本文提出了基于通道相关性的注意力模块（CCSAM）,并将其嵌入全局特征提取分支。通过构造通道相关性矩阵,使每一个通道的特征图都聚合了相关性较高的特征,提高全局特征的表征能力。通过在两个公开数据集上与其他主流注意力模块进行对比实验,表明了本文方法可以捕捉到更好的全局特征,提高重识别精度。最后,本文利用所提算法结合目标检测技术搭建了一个基于深度学习的车辆智能重识别系统,实现了交通视频的车辆目标检测、指定车辆的重识别和轨迹绘制以及跨镜头视频之间的车辆重识别等功能,为现代智能交通系统的发展提供参考,具有一定的工程价值。