近年来,随着国家对交通领域新基建和智能交通系统的重点关注,道路交通监管设施日益完善。在大中型城市,每天都会产生海量的交通监控数据,这样大规模的数据潜藏着巨大的利用价值。随着人工智能和云计算技术的成熟,如何利用算法来挖掘海量数据中的关键信息,如何通过数据分析提升智能交通系统的运行效率,以及如何通过智能化交通监管来提升社会运行效率,都是非常值得研究的问题。车辆再识别技术旨在判断非重叠区域内拍摄的车辆图像是否属于同一辆车,是智能交通系统发展中的一项重要任务,在提升社会运行效率和维护公共安全等方面具有重大的研究意义。目前,伴随着深度学习和计算机视觉技术的快速发展,有不少车辆再识别方法被提出。然而,视角变化引起的车辆外观差异,以及同款车型在同一视角下的高度相似仍然是车辆再识别领域尚未解决的两大挑战。针对这两大难点,本文提出了一种基于中心特征学习的车辆再识别方法,使用层次密度聚类算法在线学习车辆的视角分组,并设计了同视角三元组和跨视角三元组损失函数来缩小同类样本特征之间的距离,扩大不同类样本特征之间的距离,以获取一个区分度高、稳定性好的特征空间。为了进一步提升车辆特征的鲁棒性和辨识性,本文提出了基于子空间掩蔽的正交中心学习方法,设计了中心约束损失函数来提升同类特征的紧密程度,并利用子空间掩蔽机制来鼓励模型捕获局部特征信息,提升模型的身份辨识能力。本文还使用了正交化正则技术来确保不同类特征之间的弱相关性,提升了特征表达的鲁棒性,避免学习过程陷入局部最优解。本文进行了充分的消融实验,以证明各个创新点的有效性和互补性。此外,本文还和领域内的主要方法在四个公开的基准数据集上进行了对比实验,实验证明本文提出的基于中心特征学习的车辆再识别方法能够显著优于其它文献中的方法,充分证明了本方法在车辆再识别任务中的准确率和泛化能力。