近年来,随着人工智能的快速发展,利用深度学习技术处理刑侦数据成为可能。当公安干警在追捕犯罪车辆时,通过车辆重识别技术,在不同的摄像头中快速精准的检索出嫌疑车辆,以提高刑侦案件处理效率。每个车辆都有着唯一的身份标识,即车牌,通过车牌进行车辆重识别是最直接最有效的方式。但当面对车牌遮挡或者伪造等情况,就要考虑使用车辆外观信息完成重识别任务。通过深度学习技术去提取并分析车辆全局特征和局部特征,以此来进行车辆重识别。但是,现阶段通过深度学习技术进行车辆重识别还面临着很多的问题。首先,车辆图像中会存在复杂背景、光照、视角等因素的干扰,这会导致网络不能很好的提取具有表征性的车辆特征。其次,同款车型之间类间差异小,难以区分。本文针对车辆重识别现有问题,主要研究内容如下:（1）针对复杂背景、光照、视角等因素的干扰,本文提出基于注意力机制的车辆重识别算法,将注意力机制加入到提取车辆全局特征的卷积神经网络中,让网络给与更重要的通道和空间更高的权重。并且通过改进的批量难样本三元组损失和交叉熵损失联合学习的方法,来减小不同视角下同一车辆的图像距离,增大有着相似外观的不同车辆的图像距离。使用以上方法之后,获得了更高的准确率。（2）针对同款车型类间差异小,难以区分的问题,本文提出基于目标关系建模的车辆重识别算法,使用目标检测器检测出年检标志、特殊摆放物、车窗、车灯和车标等车辆局部感兴趣区域目标,然后通过目标关系模块对局部目标之间的关系进行建模,使得输出的每一个目标特征中还包含有与其他目标之间的关系特征,将多个局部目标特征组合成具有唯一判别性的车辆局部特征,提高了同款车的区分度。（3）将使用注意力机制、联合学习得到的车辆全局特征和使用目标关系建模得到的车辆局部特征融合起来,通过最终的融合特征来进行车辆重识别任务。并在车辆重识别算法中使用重排序,以此来建立更鲁棒更精确的车辆重识别模型。实验结果表明:使用该方法相对于单独使用全局或局部分支的准确率有较好的提升。