随着智能化时代的到来,智慧交通已经成为当前交通领域的重要研究内容之一,大数据、云计算、物联网、人工智能等新一代信息技术在智慧交通领域的大规模应用也为其注入了新的活力,对其后续发展产生了极大的促进作用。其中,车辆重识别是智慧交通领域的重要研究内容,车辆重识别是指在跨摄像头中检索到相同车辆,它在交通、安防等领域具有广泛的应用,近年来受到了学术界和工业界的广泛关注。早期的车辆重识别方法主要是基于传感器的方法和基于手工特征的方法,随着深度学习的广泛应用,目前主流车辆重识别方法是基于深度视觉特征的方法。基于视觉特征的车辆重识别是指给定一张车辆的图片,利用视觉特征,跨摄像头地找出拍摄的同一车辆的图片,是一类细粒度图像检索任务。在实际应用中存在着类内差异大、类间差异小、方向极端变化等一些问题。针对这些问题,本文研究了两种基于深度视觉特征的车辆重识别方法,同时对车辆重识别的实际应用也做了探究。本文的主要贡献如下:（1）构建了一种基于公共视觉区域的深度多分支车辆重识别网络。由于摄像头拍摄角度以及车辆车辆行驶方向各异,同一辆车的图片拍摄出来的方向各不相同,从而导致类内差异大的问题。该方法通过将方向信息加入深度度量学习过程中,根据公共视觉区域面积大小构建训练对,训练出适合不同场景的车辆特征提取器。具体地,该方法首先将车辆方向划分并通过设计方向分类器来预测车辆方向,然后基于给定规则判断车辆公共视觉区域面积的大小,根据面积大小将车辆对分为两类,并在网络的不同分支进行深度度量学习,最终不同分支提取出各自场景的特征。该方法减少了训练过程中不同场景（即相似方向和不相似方向）数据之间的互相影响,使得各个分支只完成各自场景的任务,提高了特征准确率,缓和了极端方向变化带来的影响。（2）提出了基于细节增强和方向引导重排序策略的车辆重识别方法。车辆重识别属于细粒度识别任务,往往需要更多的车辆细节信息对车辆进行区分识别。为此,本文提出了 一种基于条状分割的细节增强机制,该方法利用条状分割即将卷积神经网络的特征图进行空间域上的切分,使得网络基于图片部分信息进行预测任务,可以在缺少完整全局信息的情况下从局部提取更多的细节信息。同时基于查询扩展策略和方向信息设计了一种适用于车辆检索的重排序策略,在通过车辆重识别模型获取到初始的车辆检索排序列表后,将查询图片与多个方向不相似的近邻图片进行特征融合,从而弥补查询图片所缺失的方向的特征信息,提高图片的特征完整度,从而进一步提高检索的精度。（3）对本文所提出的车辆重识别方法进行了实际应用验证。在第一个应用场景中,将本文研究的方法应用到多模态车辆检索任务中,即,通过自然语言检索相应车辆,将车辆重识别模型作为视觉部的特征提取器。和之前的特征提取方式相比,该模型对车辆特征的描述更为完整和准确准,使得检索精度得到了较大提升。在第二个应用场景中,将本文研究的方法应用到车流量统计任务中,用于跟踪车辆时判断不同时间和位置出现的车辆是否为同一辆车,取得了较好的效果。