车辆关键点检测是表达车辆关键部件位置的一种方法,可以用于提升交通系统视觉任务性能,包括车辆检测、车辆分类和车辆重识别等。因此,车辆关键点检测是计算机视觉领域的一个重要研究课题,但是由于车辆的自身刚性结构以及道路交通的复杂性,导致车辆存在大量遮挡关键点,使得准确检测车辆关键点变得非常困难。本文针对车辆关键点检测中的遮挡问题展开研究,提出遮挡感知沙漏网络,极大提升了关键点检测性能,并将关键点检测应用到车辆重识别框架中,取得了显著的精度提升。本文的主要研究成果可以总结为以下两个方面:提出了一种新型的多类型遮挡感知网络,以对多类型遮挡进行准确地预测,从而实现遮挡感知的车辆关键点检测。现有工作通常通过估计车辆方向实现自遮挡关键点的检测,但车辆方向和其他类型被遮挡的关键点（如被周围物体遮挡）的估计误差将极大地限制车辆关键点检测的性能。为此,本文将车辆关键点分为非遮挡、自遮挡和正常遮挡三类,并设计了遮挡分类子网络来预测所有关键点的遮挡状态。然后,将这些遮挡状态嵌入到一个两阶段的沙漏网络中,实现遮挡感知的关键点检测。该框架不需要估计车辆方向,只要考虑不同类型的遮挡状态,因此减少了其他方法在车辆方向估计上带来的误差,提高车辆关键点检测中遮挡状态的检测精度。在公共Ve Ri-776数据集上的大量实验表明,提出的方法明显优于其他最先进的方法。提出了一种基于车辆关键点嵌入的车辆重识别方法。为了验证本文所提出的车辆关键点检测方法的实用性,本文将其应用于车辆重识别框架中,用于解决车辆重识别任务中严重的视角变化问题。为此,本文使用了区域视觉转化模块,其利用车辆关键点检测结果,将车辆分为不同的区域,将这些区域映射到统一的视角。考虑到不同视角的车辆特性,将它们排列成一个细粒度级别的特征表示,同时利用一种动态批处理困难三元组损失函数来训练网络。此外,车辆的重要特征不仅仅在这些区域上,关键部件同样有益于特征匹配,本文提出在车辆关键点上的细粒度特征进行识别。在两个标准车辆重识别数据集上的大量实验表明了该方法的有效性。