车辆再识别作为智慧城市的核心技术之一,目的是在多个不重叠的相机视图中检索出感兴趣的车辆。当前突出的算法通常先对数据集进行大量的人工标注,让模型在额外标注的辅助下,能够更精确的关注到局部细节信息,进而提升最终的测试性能。但是额外的人工标注不仅十分耗费资源,还会降低模型的泛化能力。针对以上问题,本文在福建省与福州市重点科技项目（2018H0018、2020-GX-17）的支持下,围绕基于深度学习的车辆再识别算法展开研究,以减少人工标注和提升模型泛化能力为目标,分别从监督学习和无监督学习两大领域入手。主要的研究工作如下:一、提出双分支区域感知模型来减少车辆再识别的额外标注。其中,该模型的全局分支将Res Net-50作为主干网络,并通过原图提取相应的全局特征。局部分支则是由特殊设计的浅层子网模块、多分辨率模块和注意力模块整合而成,并采用Mask R-CNN分割后的前景图作为输入。首先利用前景图能够克服一定的背景干扰,再经过浅层子网模块使模型关注一些比较重要的浅层局部信息;紧接着利用多分辨率模块来集中处理这些局部的区域特征,让模型在充分提取高级语义特征的同时,又尽可能保留一些局部的细节信息。最后,通过注意力模块来对不同空间位置上的特征进行增强或抑制。模型采用Circle loss和Triplet loss组合的新型损失函数进行优化,能够达到更好的效果。在没有额外标注的前提下,通过特殊设计的局部分支可以自适应的提取多语义层次的视不变特征。此外,对数据集Ve Ri-776进行的实验发现,将前景图提取的局部特征和原图提取的全局特征相融合,所得到的特征向量能取得最好的测试效果,证明了车辆再识别中的前景图和原图是相辅相成的。二、提出基于合成数据消除跨域偏差的车辆再识别框架。虽然上述第一种方法仅用ID标签就能取得很好的效果,但模型始终依赖于有效的监督标签,不符合实际应用的要求。由于车辆外观在不同视角下呈现出巨大的变化,且不同数据集之间的分布差异较大,将车辆再识别模型部署到无标签的数据集上并获取较好的性能是一个巨大的难题。基于上述问题,本文在车辆再识别领域首次利用合成数据来辅助无监督任务。对于合成数据的运用:先让合成数据通过数据自适应模块生成与目标域相似的伪目标样本,再用伪目标样本进行模型的预训练,增强模型对目标域数据的适应能力。接着,用合成数据训练的方向模型和相机模型对最终的特征向量进行校正,以减小相似背景和相同车辆方向所带来的负面影响。实验证明该方法在领域自适应和完全无监督两个任务上均能取得优秀的性能。综上所述,本文主要针对监督学习和无监督学习两个领域存在的问题提出了相应的解决方法,本文所设计的框架系统对于未来车辆再识别的发展具有一定的启发和应用价值。