随着交通监控数量的快速增加,城市道路交通中车辆的监控数据呈现爆炸式增长。车辆再识别旨在非重叠视野摄像头网络中搜索相同的车辆,近年来已经成为智能交通系统中的重要研究课题。研究者利用计算机视觉技术和深度学习方法,极大地提高了车辆再识别的性能。然而在现实的生活中,由于受到光照、角度、物体遮挡以及摄像头分辨率不同等问题的影响,车辆图像具有复杂的背景信息,给车辆再识别任务带来的极大的挑战。针对这些问题,本文改进了一种基于注意力模型网络的车辆再识别算法,主要完成的工作包括以下几个部分:(1)针对视频监控中车辆图像复杂的背景信息对深度学习网络模型训练时产生的影响,本文提出基于注意力模型网络的车辆再识别算法。该算法能够将网络模型的参数权重集中于车辆图片的前景信息区域,即车身位置。抑制复杂背景因素的影响,使网络学习到更有区分力的特征。(2)针对许多算法在使用卷积神经网络提取车辆特征后,仅使用简单的距离度量对结果进行排序,而无法保证较高的准确率。本文提出融合再排名优化算法的车辆再识别算法框架,通过多次查询测试集建立融合排名相似度的方法优化最后的识别结果。通过实验可以证明该方法可以提高车辆再识别的准确率。(3)通过在VehicleID和VeRi-776:数据集上的大量实验,本文算法可以有效解决车辆图像的复杂背景对网络模型产生的影响。经过对比其他几种常用的车辆再识别算法,验证了本文提出的基于注意力模型网络的车辆再识别算法的有效性以及应用性。