随着智慧交通的快速发展,智能汽车的研发已然进行的越来越快,像自动驾驶,车路协同等需求的提出,加速了交通业新形态的产生,与此同时,道路安全愈发引起人们重视。而车辆再识别可以实现车辆的跨摄像头的定位、追踪,对于道路安全和实现智慧交通都有着重要的意义。车辆再识别问题的本质是目标再识别,与目标再识别中最经典的行人再识别不同,因为众多同一型号的车辆具有类似的视觉外观,车辆再识别会更有难度,而当唯一标记不同车辆的车牌信息无法有效获取时,人们更难区分同一种型号的汽车。因此,车辆再识别算法需要能够有效地捕捉到类间和类内的差异。本文为当车牌信息没有办法有效获取时,对车辆型号,车辆颜色,以及车窗年检标志、车身绘画甚至是划痕等特征进行提取,以解决车辆再识别问题。对此,本文提出一种基于改进深度相对距离学习模型的车辆再识别算法。首先针对原先深度相对距离学习框架中特征提取网络简单,不能更好地提取车辆特征,提出采用Rep Net网络,来替代原网络架构中的VGG CNN M 2048网络。改进后的网络模型中负责标签属性分类的粗粒度学习通道会先将车辆的颜色信息和车辆型号信息提取出来,然后通过抑制层将提取的特征对后面的细粒度相似性学习进行一定的反馈,来消除掉那些嵌入到细粒度学习通道中的粗粒度属性特征。这样既加快效率,也使模型在细粒度学习时能将注意力更多地关注在复杂特征的提取上,来提高模型的识别准确率。而在车辆再识别数据库中,常会出现明显的正负样本不平衡的状况出现,这种情况会导致训练的效率变低,甚至可能会使我们训练的模型性能退化。对此,本文提出在模型中使用焦点损失函数Focal loss,它可以减少简单样本在训练中所占的权重,来解决正负样本不均衡问题。经实验,在车辆标签属性分类中,本文设计的模型在车辆型号中识别率为98.18%,较原DRDL模型提高了约14.7%,车辆颜色的识别率达到96.28%。在车辆再识别任务中,本文采用的模型的MAP值达0.709,较原模型提高约0.16,证明了本文所提出方法的有效性。