车辆再识别问题是指在一个特定范围内的交通监控场景下,判断非重叠区域内拍摄的车辆图像是否属于同一辆车的检索问题。目前,国内外在交通发达的区域都安装了监控摄像头,如何更好地利用监控摄像头进行交通监管和刑侦,是一个非常值得研究的问题。近年来,计算机视觉和多媒体领域的研究人员主要对车辆检测、细粒度的车辆分类、车辆跟踪、驾驶员行为建模等方面进行研究,随着深度神经网络在计算机视觉和多媒体领域的发展,车辆再识别技术引起了学术界和工业界的广泛关注,并成为深度学习领域的热点研究问题。与以往的近邻重复图像检索问题不同的是,车辆再识别任务中,摄像头的位置不同会产生光照变化、视角变化及分辨率的差异,这导致同一车辆在不同视角下产生自身差别或不同车辆因型号相同形成类间相似,使得车辆再识别任务的研究人员面临巨大的挑战。为了解决所述问题,本文主要进行了以下的研究工作:首先,本文对基于神经网络实现车辆再识别任务的关键技术进行了概述,明确现有方法的优缺点及当前车辆再识别任务的难点。同时对卷积神经网络原理和残差卷积神经网络的结构及强化学习中的基础算法进行了详细的介绍。其次,本文提出了一种基于自适应特征的强化学习车辆再识别算法。在现有的方法中,全局特征结合局部特征方法的结果明显优于只依靠全局特征实现车辆再识别的方法。但是当前算法所定义的局部特征都是人工选择的车辆某些视觉上固定的部位,比如车窗、车灯等,无法根据输入车辆进行自适应地调整。本文创新性的将强化学习算法引入到局部特征的选择中,在残差卷积神经网络中间层的空间维度上自适应地选择局部特征,强化学习中的策略网络根据每次所选局部特征区分度的高低反馈给网络一个奖励值,网络参数根据奖励值计算的损失进行逐步优化。自适应选择的局部特征更加灵活且具有更高的区分度,从而提高再识别的准确率。最后,在基于自适应特征的强化学习车辆再识别算法的实验过程中出现了深度卷积层中空间特征消失的问题,因此针对此问题重新组织强化学习模块,提出了一种基于自适应通道的强化学习车辆再识别算法。摈弃了之前空间维度的信息,转而在通道维度上选择局部特征。并在前文强化学习算法实现的基础上,引入了动作区间和奖励折扣的机制,增加算法的可行性。