跨摄像头的车辆身份认证一直是疑犯追踪、交通肇事认定等应用的重要组成部分。尽管存在许多以车牌识别为主要手段的车辆身份认证系统,但由于车流稠密、拍摄质量低等问题,监控摄像往往难以对车牌进行有效捕捉。另一方面,由于部分车辆存在套牌等问题,车牌所带来的身份信息也并不完全可信。当车牌无法被有效识别时,车身整体的视觉信息就成为了跨摄像头车辆身份认证的关键。因此,本文对基于车辆整体信息、低数据质量下的跨摄像头车辆身份认证问题,即车辆重识别问题进行了研究。本文的研究工作主要在车辆重识别问题的分析与改进上,主要贡献包括:(1)首先,本文设计了一个基于关键点掩码与身份、类型、颜色多任务学习的车辆重识别算法。该算法通过关键点掩码,抑制了神经网络模型对于关键点等视觉显著性区域的响应,并因此增强了对于车身非显著区域的关注。该算法在完成身份认证的同时,可进行车辆类型与颜色的分类任务,并基于这些信息进一步提高了车辆重识别准确率。(2)其次,本文探讨了实际应用中的车辆时空信息利用,并设计了两种利用方法:基于时空信息过滤的二次排序和基于路径可达性的二次排序。前者基于车辆运动的局限性,排除了单次运动区域之外的车辆记录;后者则使用算法生成车辆似然路径,并基于似然路径对部分待匹配记录进行了二次排序。最终,本文在车辆重识别算法的基础上实现了一个车辆重识别系统。该系统运行于沙盒容器,在完成车辆重识别任务的同时,可基于图像和时空信息,提供车辆疑似行进路径。