车辆再识别是在非重叠视野的摄像机网络中去搜索相同的车辆,它是智能交通系统(Intelligent Transportation System,ITS)的一个重要研究方向。为了提高车辆再识别网络模型的泛化能力并且使之能够应用到现实场景中,本文改进了基于无监督学习的车辆再识别算法,包括以下几个部分:(1)针对基于监督学习的车辆再识别算法存在网络模型的泛化能力弱的问题,本文对车辆再识别算法进行改进,通过循环训练车辆特征学习模型、降维、聚类、优化数据集,能够很好地学习未标记的车辆数据信息。本文提出的基于无监督学习的车辆再识别算法不仅能够适用于无标签数据集并且能够提高车辆特征提取网络模型的泛化能力。(2)针对车辆图像中复杂的背景信息会对车辆特征学习网络模型训练造成干扰的问题,本文提出了基于注意力机制的车辆特征学习网络(Attention-Based Feature Learning Network,AFLNet)。该网络可以将更大的权重分配到车辆图像的感兴趣区域也就是车辆部分,从而学习到更具区分力的表示。(3)为了提高车辆再识别网络模型的数据拟合能力,本文提出了基于加权标签正则化的损失函数构建方法。对车辆样本特征聚类之后,根据车辆样本特征到各个聚类中心的距离,为图像分配不同的伪标签权重。特征到聚类中心距离越近,可信度越高,相应的伪标签权重则越大。通过在VeRi-776和VehicleID数据集上的大量实验,验证本文提出的基于无监督学习的车辆再识别算法可以被应用到无标签数据集上并且能够有效地提高车辆再识别模型的泛化能力。