随着现代社会车辆数量越来越多,各种交通问题接踵而至。在这种情况下,车辆重识别逐渐被人广泛研究。车辆重识别的目标是在不同的摄像头拍摄的图片下面识别同一辆车。如今重点关注的是在城市监控场景中的车辆重识别,所以实验中采用的数据集是在城市中监控摄像头所拍摄的实时车辆照片。目前交通环境下实时进行拍摄的车辆照片可能并不能拍到车牌,面对无牌车和套牌车时,基于车牌信息的车辆重识别可能并不能完成任务,所以需要研究不依靠车牌信息进行车辆重识别。这对套牌车以及无牌车辆的身份确认以及肇事车辆逃逸路径的判断都有十分重要的意义。基于此研究了利用卷积神经网络作为特征提取器来取代过去利用传统的HOG或者SIFT图像特征提取方法,验证了利用卷积神经网络提取出来的特征的有效性。并且进一步通过微调对VGG网络进行优化,提出了一种融合多个卷积神经网络所提取出的特征的一个新模型。实验中利用双重AlexNet模型提出来的颜色特征以及GoogLeNet提取出来的细节特征融合了VGG网络提取的特征成功地提高了Rank-1和Rank-5的值。根据欧几里得距离的远近来对数据集搜索出来的图片进行排序并输出。验证了提出的特征融合模型对深度学习模型的优化。