随着机动车保有量的持续快速增加,交通拥堵交通安全问题日益严峻,交通管理问题日益繁重,这些问题已引起学者和社会的广泛关注,各国政府也出台了相应的交通发展战略。为加强道路交通管理和改善交通安全,道路上安装了大量的视频摄像头。为了能让机器从视频中搜寻问题车辆或嫌疑车辆,车辆重识别已成为近年来智慧交通和道路交通安全领域新兴的技术热点,其在维护公共交通安全方面具有广泛的潜在作用。深度学习的飞速发展促使车辆重识别技术有了较大的进展,但仍面临着类间相似性大和类内差异度高的问题。机动车车牌是车辆唯一的身份标识,所以早期或传统的车辆重识别任务是通过车牌进行识别的。但是车牌存在套牌、伪造和遮挡的现象,此外,有不少场景的视频数据（图像）没有拍到机动车牌照。因此,本文使用深度学习的理论和技术,处理包含车辆图像的视频数据,提取车辆外观特征,依据车辆的外观特征,进行车辆重识别工作。本文主要工作和创新点如下:（1）本文使用Res Net50网络提取车辆的细粒度特征,采用了三元组损失函数来对网络模型进行训练。针对传统的三元组损失函数在选取三元组上的缺点,即在整体数据集中随机抽取三元组的方式,本文,首先引入了批困难样本挖掘的方法对其进行了优化。在选取三元组时,分批进行处理,且选取其中较难的正样本与负样本。以此加快网络的训练速度,提高对模型的优化;其次,同时考虑正负样本之间的相对距离和正样本对之间的绝对距离,进一步完善了三元组损失函数,以确保网络在特征空间中把正负样本拉开的同时,也能将正样本对之间的距离拉近。（2）针对车辆特征的复杂性与多样性,本文提出了将粗粒度的全局特征与细粒度的局部特征融合的多任务车辆重识别方法,以克服车辆重识别中面临较大类内距离与较小的类间差异问题。整体车辆重识别网络分为三支子网络,其中两支采用Res Net18网络来对车辆的颜色以及车型特征进行提取,另一支则采用Res Net50网络对车辆的细粒度特征进行提取。在对细粒度进行提取的Res Net50网络中添加了注意力机制,以增加模型所提取特征的鲁棒性。最后,在Ve Ri数据集以及Vehicle ID数据集上对所设计的车辆重识别网络模型进行训练和测试。训练阶段,对三支网络的损失进行综合计算,训练模型得到最优解。（3）由于本文使用了多任务学习的方法来对车辆的特征进行提取,所以需要考虑在训练阶段不同损失的融合情况。在以往的研究中,很多都是将多个网络的损失直接相加,这样会导致整体网络的损失可能会被某支网络的损失所主导,只有一支网络得到了较好的优化。也有研究者将不同的损失通过经验法对其赋权相加,这种方式主观性较强且需要对权值不断调整。因此,本文引入了基于同方差不确定性的赋权方法来对多任务学习网络中的不同损失进行融合,该方式通过使用贝叶斯不确定性进行建模,构造多任务学习网络的极大似然函数,引入噪声系数σ,最终得出多任务学习网络损失的较为合理的权值。使用本文设计的车辆重识别模型,分别在Ve Ri数据集和Vehicle ID数据集上进行实验,将实验结果与现在主流方法的结果进行对比,其m AP和Rank指标均有所上升,表明本文所提算法具有更高车辆重识别准确度。