21世纪以来,信息化、现代化、智能化成为主流。随着智慧城市理念的提出以及城市内监控的覆盖,智慧交通系统进入了快速发展阶段。车辆重识别是智慧交通系统中的重要任务之一,在城市道路监控的高覆盖率前提下,通过计算机视觉相关技术自动处理监控视频数据,跨时空域识别出目标车辆,从而得到目标车辆的轨迹,在一定程度上减少人力损耗,提高交通管理效率。目前的车辆重识别还有很多问题尚未解决:（1）车辆重识别的效率较低,从海量数据中完成识别所需时间较长。（2）车辆种类繁多,车辆在时空域发生变化后,由于角度,光照以及图像采集设备的不同,相同车辆图像会产生较大差异,经重识别网络判断后,相似程度小于外观相似的不同车辆,即类间相似性问题。本文针对以上问题进行研究,主要研究内容如下:首先,对基于深度学习的车辆分类算法进行了研究,通过分析算法实现原理确定适合本文需求的车辆分类方法;其次对车辆重识别算法进行分析,针对存在的问题进行归纳总结。其次,为了减弱光照对车辆分类的影响,提出基于HSV颜色空间的车辆颜色特征分类算法。该方法将图像转换到HSV颜色空间下,引入S（饱和度）和V（明度）,经过模型训练后,能够对不同饱和度下的色域特征进行准确的颜色属性分类,降低了光照对车辆颜色的影响。在对有光照影响的数据集进行实验,融合本文算法后的CNN算法、VGG16算法、ResNet50算法的准确率均有提高,实验结果表明,本文提出的方法能够避免光照对颜色的影响。再次,为了提高车辆重识别的效率,本文提出了一种多属性密集连接的车辆分类方法,该方法融合车辆颜色特征与类别特征,并采用密集连接卷积构建特征提取网络,保证分类准确率的同时提高分类速度。实验结果表明,与主流分类算法相比,本文分类方法准确率较高,在分类速率较其他方法有明显优势。最后,针对车辆重识别中的类间相似性问题,本文提出了一种距离控制模块（DC模块）。在对测试图像进行高维度特征提取后,对提取到的特征图进行相似性池化与差异性池化操作,缩短车辆图像类内距离,扩大车辆图像类间距离。实验结果表明,融合DC模块的车辆重识别算法能够改善类间相似性问题,提高车辆重识别准确率。