近年来,随着车辆数量和使用频率的大幅提升以及监控设备的广泛应用,车辆再识别作为从监控视频获取车辆信息的重要技术手段之一逐渐成为研究热点。车辆再识别旨在从多个图像来源中查找属于同一目标车辆的样本,本文围绕车辆再识别的三个关键问题进行了较深入地研究,主要内容包括:在基于单帧图像的车辆再识别中,提出了一种融合逻辑斯蒂三元组损失与标签平滑交叉熵损失的损失函数,提高了车辆再识别的精度。在传统三元组损失基础上,提出逻辑斯蒂三元组损失,挖掘车辆数据中困难样本的内在信息与类间差异;利用标签平滑方式增强传统交叉熵损失的鲁棒性;同时结合了细粒度分类与度量学习的优点。针对序列图像的车辆再识别,提出了一种基于时域注意力机制的序列特征融合算法,提高了车辆序列特征的表示能力。在基于无监督学习的车辆再识别中,针对目标数据集不同层级的语义特性,提出了一种包含软多标签的三元组损失函数,同时利用了特征参考正则化方法,提升了深度模型的泛化能力,多个数据集上实验结果验证了算法的有效性。