随着现代工业化进程的发展，居民机动车保有量不断提高，为人们的生活带来了巨大的便捷，但也随之给交通管理方面带来了严峻的挑战。于是，智能交通系统(ITS)的智能化程度的提高成为一个研究热点。在ITS中，指定车辆的再识别方法的研究是关键之一。本文针对车牌因遮挡、污损、拍摄角度等因素无法作为车辆再识别依据的复杂情况，提出了一种基于深度学习网络的车窗标识区域检测与匹配的车辆再识别方法。　　车辆再识别中困难的是对相同款式、相同颜色的不同车辆的分辨。因为这时车辆的外观特征完全一样，一个城市中的出租车就是典型的例子。通过观察发现，同款、同色的不同车辆的区别仅在于车窗上的年检标志张贴位置，以及车窗内放置的物品的不同。因此，本文构建了双通道的卷积神经网络，一个通道提取车辆的款式、车身颜色、正反朝向这三个外观特征；另一个通道则提取车辆的车窗、年检、车身粘贴物的位置和类型的局部细粒度特征。训练深度学习网络模型时，选用了Batch Hard Triplet Loss损失函数，增强了不同车辆间的特征差异，提升了网络模型的细粒度特征的表达能力。本文将网络模型输出的颜色、款式、朝向的全局外观特征，进行车辆的粗分类，可极大地减少待匹配图数量；再通过年检、车窗、车身粘贴物的相对位置关系的细粒度局部特征，剔除明显不是同一辆车的图像。最后通过深度学习提取年检、车窗局部子图的特征，将网络的注意力集中在有识别能力的区域，依据局部细粒度特征的相似度，完成车辆的再识别。在VehicleID车辆标准测试数据集上的实验结果，验证了算法的有效性，MAP指标达到70%。