车辆图像精细化识别能够准确判断出图像中车辆的品牌、系列、年份,是支撑智慧交通系统的重要技术之一,能够缓解车辆保有量快速增加给交通管理部门带来的压力,使得城市治理更加高效。现有算法使用完整的车辆图像进行精细化识别,已经达到了较好的效果。但在城市交通复杂场景下车辆会被其他车辆或物体遮挡,以致于精细化识别算法所处理的车辆图像是不完整的,极大限制了算法性能。此外,利用检测算法从交通卡口摄像机拍摄到的全景图像定位车辆时,会受到复杂场景和环境因素的影响,以致于检测到的车辆是不完整的。目前尚未有算法对不完整车辆图像数据进行研究,本文针对于不完整车辆图像精细化识别展开研究,主要内容如下:给出了一个基于知识蒸馏的不完整车辆图像精细化识别模型。当前车辆图像精细化识别算法主要针对完整车辆图像进行研究,但不完整车辆图像缺少大量的车辆信息,导致精细化识别准确率较低。因此本文基于知识蒸馏技术为不完整车辆图像嵌入缺失的车辆信息。首先使用完整车辆图像训练教师网络的特征提取能力。其次使用训练好的教师网络指导学生网络,学生网络的输入是不完整的车辆图像,通过蒸馏网络把不完整图像所缺失的信息引入学生网络中。最后使用生成对抗网络把不完整车辆图像生成为完整车辆图像,提取生成对抗网络的隐空间特征对学生网络的车辆信息进行加强。在车辆图像精细化识别数据集Stanford Cars上该模型与现有方法进行比较,取得了优异的成绩。给出了一个基于自注意力机制的不完整车辆图像精细化识别模型。生成对抗模块隐空间特征与学生网络特征融合方式过于简单,丢失了部分车辆信息,故本文采用自注意力机制对生成对抗模块隐空间特征和学生网络模块特征进行选择性融合。具体地,本文设计了一个特征融合模块,包含自增强操作和互增强操作,自增强操作对学生网络车辆特征和生成对抗网络车辆特征进行增强,通过互增强操作利用生成对抗网络车辆特征加强学生网络不完整车辆图像的特征信息。该模型在Stanford Cars数据集上获得了精度的提升,证明了本方法的有效性。