车辆重识别技术是安防、监控视频分析与理解的基础技术,也是构建天网工程、平安城市的重要环节。根据训练数据是否含有人工手动标注的标签,可将车辆重识别问题分为全监督车辆重识别问题和无监督车辆重识别问题。全监督车辆重识别任务面临着近相似的问题,本文针对该问题,设计并实现了一种基于局部特征和属性信息的全监督车辆重识别方法。与此同时,无监督车辆重识别任务面临着数据集歧视和难以训练的问题,为了解决以上两项问题,本文提出了一种基于局部特征和自身相似性的无监督车辆重识别方法。实验结果显示,本文提出的全监督和无监督车辆重识别方法在目前最主流的两个车辆重识别数据集上,分别超越了现有的全监督和无监督车辆重识别算法的识别水平。以下为本文详细的研究成果:（1）针对全监督和无监督车辆重识别任务,利用卷积神经网络、交叉熵损失函数和难采样三元组损失函数分别搭建了全监督和无监督车辆重识别基准网络,并分别在VehicleID和VeRi数据集上进行了基准网络的训练和测试实验,训练过程中平稳收敛的损失函数和逐步上升的验证集准确率证明了基准网络结构设计的合理性。（2）针对全监督车辆重识别任务中遇到的近相似问题,设计并实现了提取局部特征的条纹分支和利用属性信息的属性分支,并将条纹分支和属性分支融入到一个整体的框架中,从而方便对网络进行端到端的训练。在VehicleID和VeRi数据集上开展的实验结果显示,本方法可以充分提取到车辆个体的整体轮廓和细节信息,从而有效地提高重识别模型的准确度和鲁棒性。（3）针对无监督车辆重识别任务中遇到的数据集歧视问题和难以训练的问题,提出了一个同时利用全局特征和局部特征进行聚类,并使用聚类生成的伪标签进行重训练的无监督车辆重识别方法。在公开数据集上开展的实验结果显示,本文提出的无监督车辆重识别方法可以显著提高重识别模型的识别能力和泛化能力。