车辆重识别（Vehicle Re-identification,Re-ID）是近几年智能视频分析领域兴起的一项新技术,主要用于城市监控视频下的车辆图像识别。车辆重识别的核心目标是在无重叠视域监控网络下跨时空地识别和匹配跨相机下穿梭的车辆,这对公共安全、平安城市、智慧交通、智慧城市、无人驾驶等行业的发展都具有推动作用,因此具有重要的研究和应用价值。随着深度学习技术的推动,这方面的研究已经取得了令人瞩目的成就,但是,由于数据、场景、环境的复杂性,车辆重识别仍然是未能得到很好的解决。本文围绕上述复杂因素,从知识嵌入和光谱融合这两个方面出发,对车辆重识别问题开展讨论,分别研究了基于相机感知和实例内关系嵌入的车辆重识别方法、基于属性增强和状态削弱的车辆重识别方法、基于多尺度知识感知Transformer的车辆重识别方法以及基于异质光谱融合的车辆重识别方法。通过利用与分类相关的损失函数（例如,交叉熵损失和三元组损失）,深度模型的蓬勃发展见证了车辆重识别的最新进展。然而,车辆实例的全局结构可能会由于不同的相机和视角引起的巨大外观变化而受到损害。为了解决这个问题,本研究提出了一种基于相机感知和实例内关系嵌入的车辆重识别方法。首先,通过相机和视角注释信息来挖掘正样本之间的图关系。然后,设计了一种新颖的分段列表损失,利用图关系为处于不同列表的正样本赋予不同的学习权重。在基准数据集上的大量实验验证了所提出的方法相对于最先进车辆重识别方法的优越性能。车辆重识别是智慧城市和智能交通中的一项关键任务,旨在跨相机场景中匹配车辆图像。然而,不同车辆的图像可能会因为属性相同而具有较小的视觉差异,同一车辆的图像可能因为状态的不同而具有较大的视觉差异。为了同时考虑以上两种挑战,本研究提出了一种属性和状态引导结构化嵌入的车辆重识别网络,通过基于属性的增强和基于状态的弱化对车辆重识别实现判别性特征学习。在多个基准数据集上进行的大量实验验证了所提出的方法相对于最先进车辆重识别方法的优越性能和泛化性。现有的车辆重新识别方法通常存在实例内差异和实例间相似性。解决这个问题的关键在于过滤掉与身份无关的干扰并收集与身份相关的车辆细节。为此,本研究提出了一种基于多尺度知识感知Transformer的车辆重识别方法来训练由知识向量引导的模型,它能够解耦与身份相关的特征和与身份无关的特征。大量实验表明,所提出的方法在三个广泛使用的车辆重新识别基准上达到了新的最先进水平。目前,大多数车辆重识别方法都集中在可见光车辆图像上,这限制了其在黑暗环境和恶劣天气等不利环境中的实际应用能力。红外光谱成像提供了补充信息用来缓解计算机视觉任务中的照明问题。此外,车辆重识别面临着不同视角导致多样化外观的巨大挑战,例如卡车的不同视角图像大不相同。在这项工作中,贡献了一个名为RGBN300的多光谱车辆重识别基准,它同时包含多光谱图像和多视角图像。然后,本研究提出了一种异质协作感知多流卷积网络,在端到端学习框架中自动融合不同光谱的车辆特征。结合多种主流深度神经网络的综合实验表明,异质协作感知多流卷积网络可以有效整合多光谱数据,以便在白天和黑夜进行鲁棒的车辆重识别。