近几年,中国经济发展逐步趋于稳定,绝大部分家庭均选用了汽车这一交通工具,从而使我国的汽车保有量稳步上升,但随之面临的各类交通问题也是与日俱增。为了解决这些实际交通问题,车辆再识别技术应运而生并逐渐走入人们的视野中。然而,仅仅通过车辆的颜色或车型等部分单一的车辆属性来进行车辆重识别很难取得较高的准确率。再加上真实场景下例如不明物体的遮挡、分辨率低、角度变化等诸多外界因素的影响,使得车辆重识别要想获得较高的准确率更是难上加难。针对于这些问题,本文借此入手,在传统的车辆再识别模型上加以改进并进行了优化。主要进行的主要工作有如下几个方面:（1）基于轻量型网络OSNet构建了一个基于属性特征的车辆再识别模型。由于传统网络的主干部分采用的是残差网络（Resnet-50）网络的前三个Block,该基础网络的参数过多,而且还有分支网络,结构相对复杂,这些因素导致原本的深度学习模型,在实际训练过程中无法达到预期的速度,而且训练效果不佳,在此情况下,本文针对传统网络结构的弊端,在原本的数据集上设计了一个基于轻量型网络OSNet的车辆再识别框架,取代了原有的Res Net网络。本文提出的方法将利用优化后的算法框架和网络模型加以训练。从最后的实验数据可中不难看出,与原始的模型相比较,基于OSNet的车辆再识别网络模型使得训练的准确率有明显的提升。（2）构造基于多任务学习的车辆重识别算法。利用单一的卷积神经网络来提取目标的特征是传统的车辆再识别应用最多的方法之一,该方法通常先将复杂任务分解成为不相干的多个任务,随后再对每个任务进行学习。但多任务学习与之不同的是,它能够把不同任务间的训练数据汇集在一起。本文提出的框架中,每一个分支都将用于属性识别,该模型的整体结构是属于三个分支的一种车辆再识别模型。随后,该框架再联合同时训练多个不同任务的模型参数,以此来提高模型的学习能力,同时还可以提升模型的泛化性;使用交叉熵损失（cross entropy）与补充损失（complement entropy）相结合COT（Complement Objective Training）方法,将其它类别所预测得到的概率均匀分布到每个类中,再将预测到正确类别的概率尽可能地做到最大化,以此方法来优化训练结果。实验结果显示,相对于原有的仅通过交叉熵损失函数的算法,本文提出的方法在Ve Ri-776数据集上能有效提升车辆再识别的检测准确率。同时,本文的算法与其它算法也进行了横向对比,通过最终的实验数据能够很直观地看到改进后的算法框架与网络模型获得了更加优异的识别性能,从而证明了该方法的有效性。