在视频监控、智能驾驶技术的推动下,交通视频监控业务的数据量快速增长,使用车辆跟踪与再识别技术对日益增多的监控视频进行自动分析处理将成为必然,因而有着重要的研究意义。然而,由于实际隧道监控场景的环境复杂多变,并且还面临着多摄像机中车辆之间存在的类内和类间差异的挑战。针对以上问题,本文构建了符合隧道真实场景的Tunnel＿Veh4C数据集,并从特征提取方面入手设计了一种结合多重特征的车辆再识别方法,通过充分利用各种车辆的有效特征信息提升车辆再识别精确度。本文首先从隧道内摄像机静止视角位点的角度出发,结合相邻帧差法和Vi Be背景建模法来获取运动车辆的检测候选区域,再将双通道注意力模块嵌入到YOLOv5模型中骨干网络的卷积层后,并采用CIo U损失和DIo U-NMS进行车辆检测,提取更加精确的车辆目标特征并传递给跟踪器。同时本文优化Deep SORT跟踪算法中提取目标表观特征的网络模型,使得车辆检测与跟踪部分提取到的车辆特征更加明显。然后,本文将车辆检测与跟踪网络提取到的车型特征、描述车辆外观的深度卷积特征以及Res Net网络提取到的车辆身份ID特征使用加和表示层（Sum Representation Layer,SRL）进行合并,综合形成“可鉴别车辆身份的特征”,增强了不同属性和身份之间的关系。最后,本文设计结合交叉熵损失和三元组损失训练出一个有效的Re ID模型,并对结合多重特征的深度学习网络获取的测量结果使用欧氏距离进行重新排序,进一步提高本文车辆再识别模型的精度。实验结果表明,本文再识别方法在Ve Ri776、Vehicle ID两个公开数据集和自建Tunnel＿Veh4C数据集分别获得了86.49%、84.7%和89.18%的精确度,识别性能优于现有的车辆再识别方法。为验证本文方法在实际隧道场景的有效性,在自建Tunnel＿Veh4C数据集上进行测试,Rank-1、Rank-5和Rank-10识别准确率达到了95.12%、98.48%和99.3%,表明了本文方法在实际应用中具有较高的精度和鲁棒性。