随着智慧城市建设的脚步不断加快,车辆再识别由于在实际智能监控场景中的巨大潜力而受到越来越多的关注。车辆再识别,是指在非重叠视野摄像头网络中搜索相同车辆。针对现有车辆再识别任务中的缺乏充分、有效标注,先验信息利用不充分等问题,越来越多的研究人员开始从跨域迁移学习角度实现车辆再识别,并将研究重点放在解决目标域与源域之间由环境、设备等因素引起的域分离等问题。针对跨域车辆再识别任务,本文进行了如下研究工作:针对现有神经网络模型直接应用于跨域任务时,存在的图像特征判别性不足及模型泛化能力不足的问题,本文提出一种基于增强特征表示与泛化能力的跨域车辆再识别算法。选择Res Ne Xt50为主干网络,为提高模型特征判别性,引入挤压与激励模块对特征进行重标定;为提高模型泛化能力,引入实例正则化,采用标签平滑交叉熵损失函数训练所构建的网络模型。在以Ve Ri-776及Vehicle ID为目标域的跨域实验中,相较于Res Ne Xt50,改进后的网络在Rank1上分别提升12.8%、5.8%。针对由源域到目标域迁移过程中,存在的语义标注不充分、语义信息与图像特征联合迁移困难的问题,本文提出了一种基于语义迁移的协同矩阵分解跨域车辆再识别算法。该算法包含三个部分:协同矩阵分解项,将原始的特征矩阵分解到用户定义属性、域共有、域独有子空间中;属性松弛项,将语义属性学习看作一个低秩矩阵补全问题,挖掘属性间的相关性;图拉普拉斯正则项,编码数据中所嵌入的局部几何结构信息。在求解过程中采用交替方向乘子法。以Ve Ri-776及Vehicle ID为目标域的多项跨域实验证明了该算法的有效性。