近年来,随着“智慧城市”和“智能交通”的推动建设,成千上万的监控摄像头部署在城市的各个角落,海量视频数据爆炸性增长,智能视频监控的需求极速增长,智能视频监控系统成为智慧交通和平安城市建设的重要组成部分。车辆再识别是智能视频监控系统中的核心技术之一,能够实现对目标车辆的跨摄像头追踪、行车轨迹预测、定位等,具有广泛的实际应用和重要的研究价值。然而,车辆再识别是一个极具挑战性的任务。在城市环境下,车辆再识别经常遭受到各种各样的挑战,如视角变化、光照变化、遮挡以及复杂的监控场景,并且相同车辆车型、颜色的车辆外观十分相似。随着深度学习技术的飞速发展,车辆再识别近年来取得了长足的进步。为此,本文将针对车辆特点和车辆再识别难点,围绕基于深度学习的车辆再识别算法展开研究工作,主要研究内容包括以下两个方面:一方面,提出一种基于多标签学习与多标签平滑正则化的车辆再识别算法。首先,考虑到车辆的基本属性,如车辆的车型、颜色,是识别目标车辆的重要特性,提出了一种有效的多标签学习方法,该方法可以同时根据车辆的三个标签信息(车辆的ID、车型和颜色)进行特征学习。并且,由于能够获取到车辆的三个标签信息,进一步提出了一种多标签平滑正则化方法,它可以为多标签训练图像分配统一的标签分布,从而对多标签学习模型进行正则化并提高车辆再识别的性能。所提算法与其他车辆再识别算法在两个公开的、具有挑战性的车辆再识别数据库上进行性能测试。实验结果表明,所提算法能够优于现有多种车辆再识别算法。另一方面,提出一种基于四元组深度度量学习的车辆再识别算法。由于具有相同车型和颜色的车辆具有十分相似的车辆外观,这给车辆再识别带来了巨大的挑战,因此,针对这一难点,本算法提出了四元组概念,每一个四元组包括:锚点、正样本、高相似样本和负样本,高相似样本为具有相同车型和颜色,但车辆ID不同于锚点的车辆图像。进一步构建四元组网络,将四元组图像输入到四元组网络中,通过四元组损失函数进行度量学习,并结合了softmax分类损失函数,使得四元组通过四元组网络模型映射到欧式空间中的特征满足以下距离关系:正样本到锚点的距离小于高相似样本到锚点的距离,并且小于负样本到锚点的距离。实验结果表明,所提算法能够进一步提升车辆再识别的准确率,并优于现有多种车辆再识别算法。综上所述,本文所提算法在一定程度上为车辆再识别算法研究开拓思路,为车辆智能监控系统的发展与实际应用提供了一定的理论依据和技术支撑。