车辆重识别是智能城市化建设与道路交通安全领域近年来研究的一项新技术,目的是在复杂的交通环境下,对多个不同监控摄像机中的车辆身份精确匹配,能够判断所给定的目标车辆在不同场景下,经过不同摄像机所拍摄的车辆图像是否为同一目标。从而有效节省传统方法对海量车辆数据精确检索时所需的人力和财力,对公共安防、无人驾驶以及智能交通等领域的发展具有推动作用。因此,现利用兴起的计算机视觉对目标车辆图像特征进行匹配,可完成车辆特征快速定位和重识别任务。针对该问题,本文结合特征表示学习和度量学习,设计一个多模型融合的车辆特征提取网络,并利用车辆时空信息重排序,完成高准确率的车辆重识别任务。本文具体研究内容如下:（1）研究多分支网络模型协同提取车辆全局特征。通过分析和对比多种特征提取的基础卷积神经网络,提出一种多分支深度学习网络模型,实现车辆全局特征的表征学习,并使用改进的三重损失函数优化全局特征识别,以改善原始车辆图像的区别性表示。实验结果表明,多分支网络学习比单一网络学习对车辆全局特征的提取更具有针对性,能有效地分析车辆全局特征信息,以此来区分外观差异性较大的车辆。（2）研究车辆局部特征表示方法提取零件特征。提出改进Faster R-CNN网络来提取车辆局部零件特征,并增加注意力机制模块来加强主表示的特征学习能力。其中,选择性价比高的Res Net50作为基础特征提取网络;选择FPN多尺度网络来准确地检测和召回局部车辆零件;采用Ro I Align算法避免因连续两次量化导致的误差问题,能够提升目标建议框的池化精度。最后,引入一个注意力机制模块,来增强改进网络的目标检测能力。（3）研究多模型融合网络完成车辆重识别任务。通过分析车辆全局特征和局部特征的提取模型,设计一个基于车辆特征映射的多模型融合网络。该网络够利用全局特征表示区分差异性较大的车辆,以及基于细粒度局部特征加强相似车辆之间的判别,并对损失函数进行改进,从而优化整个网络的泛化能力。同时,引入一种时空重排序的后处理策略,对初始检索结果重新排序。在公开的车辆重识别数据集上进行实验,验证所提算法对车辆重识别任务具有明显的有效性和准确性。