近年来,国民经济飞速发展的同时,也使得城市道路交通中的来往车流量急剧上升,加重了城市负荷,给城市管理带来了巨大的挑战。因此,打造智慧城市核心体系来实现城市管理智能化的概念应运而生,并且伴随数以万计的监控设备如脉络般从城市中心向四周延伸,监管着城市各个重要街道,有效地减轻了城市运行的负担。其中,车辆再识别是城市视频监控系统中一项关键的智能安全管理技术,该技术能对监管目标车辆进行跨摄像头、跨视点、及远距离快速检索,以实现对监管目标车辆的位置信息判断、行车轨迹预测等,在犯罪追踪领域起着至关重要的作用。然而在实际的监控场景中,普遍存在影响车辆再识别技术的不确定因素,包括视点变换、分辨率变化、遮挡等。随着深度学习技术的蓬勃发展,对于上述所提影响因素,车辆再识别已取得了长足的进步,但仍具有一定的局限性。为此,本文针对车辆图像的特点和车辆再识别中的难点,围绕实际监控场景下车辆再识别技术展开研究工作,主要研究内容包括如下两个方案:方案一是提出一种采用特征金字塔联合表示的车辆再识别方法。首先考虑到人眼视觉感知特性,即对于不同分辨率下的同一车辆图像的感知不同:人眼在高分辨率图像上往往关注的是图像的局部特征,而在低分辨率图像上更关注图像的全局特征。因此结合特征多尺度思想,利用基础网络各层映射特征固有的关联性,提出了一种基于多分辨率的特征金字塔联合表示方法,该方法能够集成各个不同层级卷积块输出的多尺度特征进行学习,并利用Softmax损失函数和三重损失函数进行监督学习,加快网络模型的收敛,进而提高车辆再识别的性能。实验结果表明,在两个公开的数据集上本方案提出的方法优于现有的多种车辆再识别方法。方案二是提出一种基于引导生成学习的跨分辨率车辆再识别方法。在实际场景下,由于监控摄像机在不同条件下以不同距离拍摄的图像通常具有多种分辨率,因此容易产生以低分辨率图像来匹配高分辨率图像的特殊情况。针对这一难点,我们引入了超分辨率思想,学习由低分辨率图像到高分辨率图像重建过程中的不变性表示,并且设计一种反馈引导机制联立再识别模型,利用再识别模型输出的高级语义特征引导超分辨率图像的生成,恢复计算机视觉所感兴趣区域的图像细节。实验结果表明,在两个公开的数据集上本方案提出的方法优于现有的多种车辆再识别方法。综上所述,本文所提算法针对实际监控场景下的分辨率变化问题,提出了一系列的研究思路;同时为城市智能化管理的进一步推动以及监控系统的真实场景应用提供了丰富的理论依据和高效的解决方案。