随着城市的不断扩大,车辆的不断增多,对车辆的定位跟踪也变得愈发困难。为了满足车辆定位与跟踪的自动化处理需求,实现智慧交通,不少研究工作围绕车辆重识别展开。从基于传感器的阶段,到基于手工特征提取的阶段,车辆重识别的适用范围和效果不断提高,但其模型的稳定性和泛化能力仍有较大缺陷。卷积神经网络的发展让车辆重识别模型的设计变得简便起来,虽然卷积神经网络大大提高了模型精度和泛化能力,但是仍存在一些痛点,如CNN难以关联全局细节特征,重识别模型难以实现车辆跨视角匹配等,并且深度学习模型面临着对抗样本的威胁,对抗样本引发的安全风险是车辆重识别大规模应用的一大障碍,学术界对其研究已久,但主要聚焦于对分类模型的攻击,较少聚焦重识别领域,更是鲜有人研究车辆重识别模型的对抗攻击,由于模型任务不同,需要针对车辆重识别模型设计专用的对抗攻击方法。针对现有基于深度学习的车辆重识别方法的不足与所面临的威胁,本文面向基于注意力机制与视角对齐的车辆重识别模型和针对车辆重识别的对抗攻击技术展开研究,目的是提高车辆重识别模型的准确率和为车辆重识别模型的安全加固做铺垫。主要工作内容如下:1.基于注意力机制与视角对齐的车辆重识别模型。该模型有三个技术点,主干网络使用Transformer提取图像的全局关联性特征并加入了特征重排结构以应对遮挡等问题。利用语义分割技术解耦车辆视角,并进行视角对齐,解决跨视角匹配问题。最后可选择利用车辆的颜色车型特征,对车辆检索结果进行重排序。对比实验的结果表明,本文所提的三个技术点,均对重识别的mAP起到了正向提升。2.针对车辆重识别的最远距离攻击技术。本文提出了“平均最远负类攻击（Average Furthest-Negative Attack,AFNA）”技术,该技术结合了有目标攻击和无目标攻击思想,充分利用了可以获得的数据,将特征融合进行攻击。通过对比实验证实本算法在达到了最佳攻击效果的同时,相较于第二名攻击算法减少了27%的攻击耗时。3.车辆重识别及其安全性评估系统。该系统包含两个模块,分别支撑和展示上述两种算法,其中重识别模块包含数据准备、模型训练、车辆重识别展示功能。安全性分析模块包含数据准备、对抗攻击功能。系统同时展示了模型的评估指标和运行时间,具有易操作和简洁明了的特点。