车辆重识别指的是给定一辆车的一张图像,根据车辆的外观信息在车辆图像库中检索出在不同摄像头拍摄的同一车辆的所有图像。由于同一车型的不同车辆个体外观非常接近,明显存在类间相似性问题,势必需要依靠车辆外观的细微差异来区分不同车辆。在目前车辆重识别技术研究中,仍存在由于车辆重识别模型参数量大所导致的重识效率低与实时性差问题,以及由于车辆重识别模型缺乏对图像的全局理解所导致的识别精度不高等问题。针对这些问题,本文提出了基于多粒度特征与多特征融合训练的车辆重识别方法和基于Transformer的轻量级车辆重识别方法。本文的主要研究工作如下:（1）针对车辆重识别中存在的类间相似性问题,本文提出了基于多粒度特征与多特征融合训练的车辆重识别方法。该方法首先使用双分支网络提取车辆图像的多粒度特征,从不同的维度提取局部具有分辨力的特征和具有全局语义信息的全局特征,从而提升模型学习判别性更强的特征的能力;其次提出了一种多特征融合训练的特征融合方式,将多个特征相加进行融合,使得关键的特征得到有效保留,从而提升了模型的鲁棒性。所提出方法在多个公开数据集上进行了实验验证,实验结果表明所提出的方法在Ve Ri-776测试集和Vehicle ID（Large）测试集上,m AP分别达到了80.10%和72.32%,Rank-1分别达到了96.25%和62.16%。（2）针对较多的车辆重识别模型参数量过大、缺乏对图像的全局理解、无法对特征之间的依赖关系进行建模的问题,本文提出了基于Transformer的轻量级车辆重识别方法。首先,该方法使用由Shuffle V2模块和本文提出的Shuffle Vi T模块提取车辆图像的特征,使得特征有效的保留区域间的空间关系,同时利用Transformer的自注意力机制对特征之间的依赖关系进行建模,增强模型对图像的全局理解。其次,该方法将Sup Con损失函数与交叉熵损失函数混合进行训练,增强对同一车辆图像特征间的约束,从而提升特征的判别能力。本文设计并进行了对比实验和消融实验,在Ve Ri-776数据集和Vehicle ID数据集上的实验结果证明了所提出方法有效性与可行性。（3）设计并实现了一种道路智能监控与异常检测系统。针对涉嫌暴力恐怖车辆跟踪场景特点,设计了系统架构,实现相关模块。针对异常车辆检测模块没有专门的异常车辆检测数据集的问题,本文搜集异常车辆图像并构建了一个异常车辆检测数据集。最终,该系统实现了所设计的功能且功能演示的结果表明该系统可以满足异常车辆重识别与追踪需要。