近年来,随着汽车数量的急剧增加,出现了车辆监管困难、车辆频繁被盗、交通事故频发等一系列严重的问题,因此研究一个良好的车辆识别系统具有十分重大的意义。现有的车辆识别技术在粗粒度的识别任务中可以取得良好的性能,但是当出现车辆图像背景复杂、角度各异以及种类繁多等问题时现有的识别模型仍然无法取得良好的效果,为了解决以上问题,本文提出了基于最优传输模型的车辆识别模型,主要的工作有:第一,对国内外车辆识别技术的研究状况进行了总结,分析了当前的车辆识别技术存在的问题。第二,介绍了最优传输问题的基本原理及常用的求解方法,利用切片最优传输距离(Sliced Wasserstein distance)这种近似的求解方案,提出了一组最优传输核函数,并在BIT-vehicle车辆数据集上设计实验,对比该核函数与常见核函数的实验结果。实验结果表明,提出的最优传输核函数能显著提高识别性能。第三,基于上述理论研究和实验,针对细粒度的车辆识别存在的问题,设计了一个基于最优传输模型和多部件特征融合的车辆识别模型,将最优传输核与基于深度学习的定位网络相结合。实验结果表明该模型在细粒度的车辆数据集BMW-10中取得了 84.4%的准确率,相较于其他模型有了大幅度的提升。