基于深度学习的车辆重识别旨在利用车辆外观特征在大型图库中检索目标车辆,实现车辆追踪,是智慧交通系统的一项核心技术。随着人工智能和大数据技术的发展,该技术在嫌疑追踪、无人停车场管理、智慧物流和自动驾驶等领域具有广泛应用,尤其是在当车牌被遮挡、移除、破坏等情况下,该技术发挥了巨大作用。由于车辆图像是由不同的摄像机拍摄得到,拍摄时光照、视角、分辨率等条件各不相同,导致车辆重识别面临着类间差异小、类内差异大的挑战。因此,如何提取车辆图像的鲁棒特征是车辆重识别的根本任务。目前最常用的方法是提取车辆的全局与局部特征,提取全局特征方法简单、计算量小,但全局特征的不稳定性导致识别率低下。局部特征对不同的环境更具鲁棒性,但利用局部特征存在额外消耗大的问题。因此本文分别针对全局和局部特征的方法提出两种解决上述缺陷的模型,故本论文开展的研究包括:（1）针对目前利用全局特征识别效率低下问题,提出了基于改进的Dense Net与联合损失的全局特征提取模型。在Dense Net121中引入SE（Squeeze-and-Excitation）模块,在训练的过程中学习每个通道的重要性,通过给各通道加权来减少Dense Net121特征重用过程中冗余信息的传递,同时充分利用卷积神经网络中层和深层特征的互补表达优势,将中间层与最后层特征融合,提取更有效的全局特征。此外,在车辆重识别中提出采用困难三元组与焦点损失的联合损失,提高难分样本损失值的比重,使网络对难以区分的车辆样本更加关注,提升对难分样本的鉴别能力。（2）针对目前利用局部特征需要庞大标注且模型复杂的问题,提出了增强局部区域感知的多特征学习模型。该模型包含全局与局部特征增强两个分支,全局分支同时获得中高级语义特征且融合了多尺度的池化,增强了对车辆全局的表征。局部特征增强分支提出了增强局部区域感知模型,首先将特征图划分为多个不重叠的局部块,加强对各局部的学习,然后对同一批次训练图像相同局部块的相同区域进行批量随机丢弃,加强对各局部块剩余区域的学习,进一步加强了对局部区域的注意力学习。联合全局与局部分支,模型同时学习到车辆的整体结构与细粒度的多特征信息,增强了模型的判别能力。