现代城市中交通监控摄像头无处不在,迫切需要对海量视频进行智能分析。其中,车辆再识别(Re-identification)和追踪(Tracking)更是成为了计算机视觉领域的研究热点。车辆再识别是指从视域不重叠的多个摄像头中识别出身份一致的车辆;同时,它也是实现跨摄像头车辆追踪的基础。由于车辆移动造成的遮挡和车辆外观的相似性,使得仅靠车牌或外观特征难以稳定地区分车辆身份,并影响后续的跨摄像头身份关联。为此,本文重点探索如何在车辆再识别和追踪任务中融合时空关系等辅助信息,以提升再识别中身份检索的准确率和追踪任务中身份关联的稳定性。论文工作对智能交通系统和智慧城市建设有重要的意义和应用价值。本文首先系统分析了车辆再识别技术和车辆跨摄像头追踪技术的研究进展和主要研究思路。在此基础上,提出了融合车辆外观特征和车辆时空信息的再识别新方法。接着,通过车辆轨迹关联实现跨摄像头的车辆追踪。最后,利用公开数据集和校园监控数据进行了评估。本文主要工作与贡献概述如下:1.提出一个基于轨迹聚类的再识别模型。该模型具有两个分支,分别利用车辆图像对之间的视觉相似度和时空信息:视觉分支采用深度卷积网络Res Net50作为基础网络来评估视觉相似度;轨迹分支首先基于时空信息对图像候选集进行聚类,然后在聚类结果中按时间可行性进行轨迹检索。接着,提出了一种联合度量方法,将两个分支的分析结果融合得到一个统一的得分。经公开数据集Ve Ri测试,该方法平均精度达到了92.82%,超过目前最优方案。2.在校园真实监控环境中实现一种稳健的跨摄像头车辆追踪方法。在该方法中引入轨迹聚类的思想,并通过轨迹关联实现了跨摄像头追踪。基于该方法,在2020年IEEE国际计算机视觉与模式识别会议(CVPR)组织的AI City Challenge车辆追踪挑战赛中取得了第四名的成绩。