车辆再辨识是跨视域车辆图像检索任务,是智能视频分析的关键技术之一。但是,在实际的无约束监控场景中,相机的拍摄视角变化、光线变化和车辆高速运动等不利因素给车辆再辨识造成了巨大的困难。近年来,随着一些车辆数据集的发布和深度学习理论的飞速发展,给车辆再辨识的研究带来了契机。为此,面向复杂的监控场景,本文深入研究基于深度学习的车辆再辨识算法,主要内容包括:（1）提出一种基于多分辨率自适应学习的车辆再辨识算法。已有算法多数是将车辆图像全部放缩到一个相同的分辨率上进行特征学习,这可能造成高分辨率图像在下采样时失去细节信息或在低分辨率图像上采样时引入噪声,不利于特征学习。为此,本文的算法设计出一种多分辨率特征维度统一模块,并利用多分辨率图像随机选择策略,在特征学习的过程中,直接利用多分辨率图像驱动深度网络进行特征学习。（2）提出一种基于全对一注意力机制的车辆再辨识算法。由于同款车型外观高度相似,仅在局部部件（如车轮、车灯、前窗挂饰等）具有差异。已有算法虽然采用注意力机制来学习局部部件的差异性,但是往往仅考虑从部件自身表象中学习,而忽略了其他部件的表象信息,这使得每个部件注意力学习时存在偏差风险。为此,在本文提出的全对一注意力机制中,通过所有部件对单一部件进行重要性评估,使得注意力学习过程中所有部件都能够有效配合,从而改善注意力学习效果。（3）提出一种基于混合金字塔图网络的车辆再辨识算法。车辆在不同的空间位置有不同的表象,对车辆识别具有不同的意义,因此车辆特征图包含复杂多变的空间意义。为此,本文提出一种新颖的空间图网络,通过对节点的重新加权来学习相应位置的空间意义。进一步的,本文提出金字塔图网络,通过堆叠多个空间图网络来多尺度地处理特征图,以全面学习特征图的空间意义。最后,本文的算法在多个大型车辆数据集上取得了良好的准确率,优于多种现有的算法,能够为车辆再辨识技术的发展提供一定的理论依据和技术支撑。