随着社会不断发展和进步，国民生活水平日益提升，车辆作为重要的代步工具，其数量逐年增多，这就给交通管理带来了巨大的挑战。能否准确搜索特定车辆已经成为了公共安全领域中迫切需要解决的问题，因此车辆重识别任务受到了越来越多的关注。
　　车辆重识别(Vehicle Re-identification)旨在利用计算机判断不同摄像头中出现的车辆是否为相同车辆，从而有效减小相关工作人员的工作压力，提高案件侦查效率。由于实际场景下监控系统拍摄到的车辆图像质量不能得到保证，很难在其中获得车牌信息，并且有些车辆存在假牌、套牌等现象，因此需要快速确定目标车辆需要利用车辆特征信息。针对该问题，基于深度学习本文设计了相应的车辆特征提取网络结构。本文的研究内容具体如下：
　　首先，在卷积神经网络(Convolutional Neural Networks，CNN)的基础上，本文设计了一种多分支的车辆特征提取结构。以适应车辆特征特点的随机遮挡方式来配合相应网络结构设计完成局部特征强化分支，联合整体特征提取分支，构成了一个多分支的车辆特征提取结构，获得了具有“鉴别力”的车辆特征。
　　其次，在车辆特征提取结构基础上通过对车辆重识别任务中使用频率较高的损失函数进行优劣性分析，本文将中心损失函数引入其中，并联合交叉熵损失函数完成了损失函数的设计，通过实验验证了本文设计的损失函数和车辆特征提取网络结构的有效性。
　　最后，由于本文的车辆特征提取网络层次较深，容易存在梯度回传时前层网络梯度更新受后层网络影响较小、关键特征信息利用率较小、单一分类模型存在一定局限性等问题。为解决上述问题，本文设计了一种多级串联模型，并在该模型的基础上对本文提出的车辆特征提取网络结构进行优化，完成了本文多级多分支车辆重识别网络的整体算法设计。并将本文提出的算法在多个公开数据集上进行测试，测试结果验证了其合理性和有效性。