车辆自动识别属于图像识别与检索的范畴,是实现智能交通管控、刑事侦查、目标追踪的重要手段之一。车辆重识别（Vehicle re-identification）是指在不同摄像头拍摄的图像中找到指定车辆的技术,即给定某一场景中待识别车辆的图像,在其他场景中检索出与待识别车辆具有相同身份的车辆,是跟踪车辆行驶轨迹以确定目标车辆准确位置的手段之一。近年来,随着深度神经网络的兴起和大型数据集的建立,以及无人驾驶技术的发展,将基于深度学习的图像处理技术与传统的城市交通管控手段相结合,提高车辆重识别的精准度,成为计算机视觉和多媒体领域的研究热点。然而,现阶段车辆重识别技术仍存在很多困难有待克服:首先,已有的利用深度神经网络提取特征的方法往往只提取一个层次的特征,方法单一且提取的特征代表性较差;其次,由于同款车型不同车辆之间相似度高、差异微小,影响识别准确率的提高,本文将针对这些问题展开深入的研究。以往的利用深度神经网络提取网络的最高层特征作为目标识别的依据,但由于高层特征的分辨率低,没有足够的代表性,本文拟在神经网络中不同层次的卷积层加入注意力机制,同时提取多个尺度的特征,以增加不同车辆的区分性;再通过尺度变换将特征尺寸归一化,采用交叉熵损失、难样本采样三元组损失的联合损失函数策略对模型进行训练,这样可以提高所提取特征的辨识度。针对同款车型不同车辆相似性大、差异微小、难以区分的问题,本文提出利用目标检测器提取车辆小目标的车辆重识别算法,目标检测器将聚集于检测车辆年检标志贴、特殊摆放物件、车窗、车灯和车标等局部感兴趣区域目标,将模型提取到的关于车辆组件的小目标特征,根据其关系建立模型进行重识别任务。通过在Ve Ri-776数据集上验证,Rank-1为91.06%,m AP为68.3%。本课题采用的方法与Siamese+Path方法相比,Rank-1提高了7.56%,m AP提高了10%,该方法使用孪生网络来进行车辆的相似度计算。将提取的多尺度特征（第三组卷积和第五组卷积层尺度特征）和小目标特征,通过将特征向量进行组合并降维的方法进行特征融合,通过此融合特征来训练模型,进行车辆重识别任务,然后将最终的到的结果根据得分高低排序,得分最高的为最终识别结果。通过在各大数据集的实验分析,此方法更加鲁棒,也同时提升了准确度,使用该方法相对于单独使用多尺度特征,或仅使用小组件特征的准确率有较高的提升。与比较优秀的方法QD-DLF相比,本方法的m AP和Rank-1均有所提高,尤其是m AP提高了8.2%,Rank1提高了3.92%。