随着智慧城市快速发展,通过视频监控获取大量车辆图像数据及其处理是解决智慧城市中公共安全的重要途经,而大规模车辆图像检索是实现公安部门的案件侦查等应用的核心环节之一。然而,由于道路和卡口监控摄像头的广泛使用,车辆监控数据呈现爆炸式增长,且车辆图像自身特点的复杂多样性、更新速度快,导致从海量的复杂车辆图像中搜索出相似度较高的目标图像成为较大难题。比如,部分车辆图像在低光照环境中拍摄,导致车辆图像噪声大、丢失细节信息、视觉效果差而影响检索效果;由于光照变化、视点、遮挡等因素使不同的车辆图像具有相似的车型和颜色,导致大量车辆图像比较复杂且难以区分;车辆图像日益剧增,形成车辆图像数据规模较大,使得检索效率较低。围绕这些问题,本文主要研究工作如下:1)针对车辆图像因低照度而导致检索准确率低问题,引入一种基于深度学习的零参考深度曲线估计方法对低照度车辆图像进行增强。将源数据和增强后的车辆图像数据对车辆图像检索模型进行训练,通过检索评价指标验证了引入的低照度图像增强方法对车辆图像检索准确率大约提升了2%。2)针对大量车辆图像比较复杂且难以区分的问题,提出一种具有局部分支和全局分支的多粒度特征融合车辆图像检索模型（Multiple Granularities feature fusion Network,MGFFN）。该模型中的局部分支是将全局特征均匀分成三部分而不需要额外的信息进行标注,将局部信息和全局信息特征进行融合作为所需图像特征,并联合使用度量损失函数和分类损失函数共同学习车辆图像特征来提高车辆图像的辨别性。实验结果证明,提出的MGFFN模型相对于基准网络模型Res Net-50,采用数据集Ve Ri-776进行实验,通过m AP、Rank-1、Rank-5评价指标的结果表明,分别提升了15.43%、10.82%、7.76%;将Vehicle ID数据集划分成Small、Medium、Large不同测试集后,通过评价指标Rank-1的结果表明,分别提升了14.34%、13.55%、14.23%,而采用Rank-5相应提升了11.35%、10.91%、11.03%。3)针对海量车辆图像检索效率低的问题,提出一种基于近似最近邻HNSW车辆图像检索方法,当数据量为百万级时图像索引检索平均响应时间为毫秒级。并提出将HNSW算法应用在分布式架构Vearch上,进一步提高索引构建和检索效率。当每条车辆图像特征向量维度为1 000且数量为250万条时,分布式比单点HNSW算法索引构建时间快2.97倍,索引查询响应时间快1.52倍。