目前,城市交通路口摄像头产生的海量交通数据可以应用于交通管理、智能安防等领域。因此,对特定车辆进行检索,即车辆重识别（Vehicle Re-ID）就变得十分重要。车辆重识别任务是指:在给定一张测试图像的前提下,找出跨摄像头拍摄的同一辆车的图像。2012年后,随着算力的大幅提升和海量数据的产出,深度学习方法在各个领域不断刷新着最佳性能的纪录,包括车辆重识别任务。尽管近年来车辆重识别的方法多样,但是少有方法考虑到局部特征与局部特征、局部特征与全局特征之间的结构化信息,使得提取出的特征存在信息上的缺失,导致模型较难获得更优的结果。另外,这些方法在特征提取时很少考虑到数据集中普遍存在的背景冗余问题,使得学习到的特征的表征性不足。针对以上所述问题,本文提出了基于图卷积神经网络的车辆重识别算法,并在该方法基础上提出基于空间变换网络的车辆重识别算法。本文的研究内容及成果具体如下:（1）基于图卷积神经网络的车辆重识别算法。针对现有工作忽略了局部区域与全局区域之间的空间结构关系的问题,本文提出了一种基于图卷积神经网络的车辆重识别算法。该算法首先在全局特征图的基础上经过裁剪得到多个局部特征图;之后利用图学习理论,以局部特征和全局特征为节点特征构建图结构,并利用图卷积神经网络学习结构化特征;最后该算法对全局特征和结构化特征进行融合,并利用softmax损失函数和三元组损失函数进行联合学习,从而进一步提高车辆重识别的性能。在车辆重识别任务的公开数据集Vehicle ID和Ve Ri-776上的消融实验和对比实验结果表明了该方法的有效性。（2）基于空间变换网络的车辆重识别算法。针对复杂场景中存在的背景冗余使得所学特征的表征能力不足的问题,本文提出了一种基于空间变换网络的车辆重识别算法。该算法利用空间变换网络,对我们提出的基于图卷积神经网络的车辆重识别算法中的局部特征进行空间变换,去除大量的背景冗余。为了解决背景冗余的空间分布不均问题,本文进一步提出了一种局部特征自适应的多空间变换网络。通过在两个公开数据集Vehicle ID和Ve Ri-776上进行消融实验和对比实验,验证了使用基于局部特征自适应的多空间变换网络的车辆重识别算法的有效性和优越性。