随着计算机视觉的快速发展,车辆再识别技术逐渐成为智能交通系统中的重要组成部分。车辆再识别,指的是跨摄像机识别同一车辆图像的检索技术。由于车辆姿态、车型相似性高以及光照变化等因素,车辆再识别技术面临着巨大挑战。因此,本文主要研究运用深度学习方法解决车辆再识别的检索困难问题,并提出基于姿态感知的多部件融合算法。主要工作和创新点如下:(1)对于车辆再识别的方法研究,可分为基于特征表示和基于距离度量学习两个主要方向,本文介绍了每类方法中的常用算法。同时,对本文实验中使用的数据集以及采用的评测标准进行了详细介绍,并且通过对比实验结果总结分析了各类方法的再识别性能。(2)提出了车辆姿态感知模型(Pose-aware model,PAM),利用车辆的姿态信息即视角信息进行组内分类,度量学习同一ID车辆图像的类内差异,并设计了一种基于姿态感知的多损失函数,通过加权求和的联合方式优化模型算法。该方法可以有效地解决车辆再识别任务中存在的类内差异问题,即是由于拍照角度或者光照条件等因素导致的同一ID车辆图像的视觉外观相差较大问题。(3)提出了多部件融合的特征提取方法,对车辆的上下区域分别提取特征,结合车辆的完整图像特征进行相似性计算。该方法充分利用了车辆的显著性区域,例如车窗部件所具有的车辆年检标签以及挂饰等特殊标记,有效地解决了车辆再识别任务中的类间相似性问题,即是由于车辆类型相似等因素造成的不同ID车辆图像间外观相似问题。本文利用所提算法在车辆再识别公开图像数据集vehicle ID和Ve Ri-776上完成了车辆再识别以及车辆检索任务,并取得了优于现有方法的实验结果。