近年来,人类的出行和货物运输越来越离不开车辆。汽车保有量逐年增加,使得车辆相关的研究逐渐成为热点。监控场景下的车辆重识别问题,主要任务是匹配非重叠视域多摄像机网络结构下车辆的视频或图像。车辆重识别任务在交通管理、安防监控、智慧城市等领域有着广泛的应用。车牌虽被广泛用作车辆的唯一身份,识别起来简单有效,但车牌信息易受假牌照、遮挡、低分辨率等因素的限制。因此,重要的是找到一种基于车辆外观而不是车牌来识别车辆的方法。然而,受摄像机自身属性不同、图像分辨率低、视角变化、光线变化、遮挡等因素的影响,基于外观的车辆重识别任务也不是一帆风顺的。另外,由于同一品牌的同一型号汽车相似度极高,且不同摄像机拍摄同一车辆的图像存在较大差异,这些因素都使得车辆重识别任务充满了挑战性。因此,本文以车辆外观为研究重点,对基于图像的车辆重识别进行研究和探索,主要工作如下:(1)考虑到颜色和车辆型号是描述车辆最直观的属性,深度学习框架具有鲁棒的数据表示的能力,本文用多种方法提取车辆图像的深度特征。第一个,用基础的卷积神经网络提取车辆的特征表示。第二个,由于外观是车辆的最显著的特征,尤其是颜色和车型更是人们一眼就能识别的特征,于是提出了聚合多属性的多任务深度学习框架,将车辆属性(颜色和车型)加入到传统的身份分类网络中,即在网络的最后一层增加了身份识别损失和属性识别损失。用两个基础网络GoogLeNet和ResNet-50分别进行实验以完成多视图特征的提取,然后将这两个特征进行融合来协同表示车辆信息。最后,在公开的车辆重识别数据集VeRi-776和VehicleID上进行了大量实验,表明该方法的优越性,并且验证了本文提出的聚合多属性的多任务深度学习框架对于车辆重识别结果的提升和贡献。(2)由于单一视图中包含的信息不足,无法全方位获取车辆图像的深度特征,为了弥补由单一视图造成的视觉偏差,和挖掘多视图特征间的一致性,本文提出了一种对多视图特征鲁棒的相关稀疏排序模型,在多视图稀疏表示模型中引入了多视图权重和视图间相关项的一致性约束。具体来说,稀疏编码是将输入向量近似地表示为来自候选库的少量车辆图像的线性组合,而为了探索多视图特征间的相关性,最小化任意两个视图的稀疏系数之间的多样性。优化求解该模型后,将各视图的稀疏系数相加作为最终的相似度排序结果。同时,该方法也可被视为任何现有多视图特征融合的一般框架。由实验结果可以看出,本文提出的基于多视图相关稀疏排序的车辆重识别方法在VeRi-776数据集上表现更优。另外,由于初始排名是直接比较两个图像之间的距离,忽略了相似图像之间的相关性。最后采用一种有效的后处理方法——重排序技术,对初始检索结果进行重新排序,以达到提升检索精度的目的。具体做法是对于每一个图像对,仅将每个图像的直接邻域与另一图像的距离累积有希望的图像进行重新排序。该方法是全自动的,无需监督的,而且无需计算新的排名列表。实验结果表明,该模型在VeRi-776数据集上的取得了90.5%识别精度。