近年来,随着监控摄像头的快速增长,关于车辆的监控数据呈爆炸式增长,急需一种技术来分析处理海量视频数据。车辆再识别任务因其在高效处理海量数据时所表现出的高效性、便捷性、创新性,在打造智慧交通、建设安全城市等方面发挥了巨大作用。车辆的特征提取对于解决车辆再识别任务至关重要,就当前而言,传统的手工特征提取的方法极易受到光照强度、摄像头拍摄角度等环境因素干扰,导致难以提取具有鲁棒性的特征。再者,许多方法侧重于特征提取上,忽略了其在特征提取后对目标的排序优化。针对上述问题,本文提出一个融合排序优化方法的多任务车辆再识别算法框架,主要包括一种基于多任务学习的卷积神经网络模型和一种基于再查询的排序优化算法,具体如下:(1)基于多任务学习的车辆再识别算法。现有的车辆再识别方法主要集中在通过单一卷积神经网络模型提取目标特征。常用的单一网络模型为验证模型(Verification Model)和辨识模型(Identification Model)。由于损失函数的差异,他们有各自的优点和一定的局限性(无法充分利用图片的标记信息)。因此,本文结合上述两种主流模型的优点,同时利用了图片之间存在的相似度信息和类别信息,使其能够提取出更具有鲁棒性的图片特征。算法基于孪生(Siamese)网络模型,具有两个分支,每个分支可以看作是一个单独的分类模型,并在最终合并两个分支进行类别验证。进一步说明,该网络模型同时进行着三项任务,其中包括两项分类任务和一项验证任务。通过实验证明,该多任务网络模型提取的特征相比于单一网络模型更具有鲁棒性,使识别正确率更高。(2)基于再查询的排序优化方法。许多算法在使用深度学习方法提取车辆特征后,仅仅使用简单的距离度量对识别结果进行排序,但其无法保证较高的识别准确率。本文提出的排序优化方法通过多次查询测试候选集(Gallery),建立一个融合排名的双重相似度关系来优化最后的识别结果,该相似度关系包括:1)查询图像(Probe)与测试候选集之间的相似度;2)与查询图像具有强相似度关系的图片之间的相似度。进一步结合上述相似度关系与查询图片的初始排名优化识别结果,并通过实验证明该方法可以提高车辆再识别的准确率。(3)融合排序优化方法的多任务车辆再识别算法框架。基于上述两种优化方法,本文提出融合排序优化方法的多任务车辆再识别算法框架。经实验证明,该算法框架在两个主流数据集VeRi和VehicleID上,相比于其他主流方法在第一识别率上提高了约1.5%和20%。