近年来,随着城市化进程不断向前推进,大量人口涌入城市的同时,给城市交通带来了一系列安全问题。为此全国部署了千万级数量的视频监控终端,采集了海量数据。而如何充分挖掘和利用这些海量数据是我国现阶段交通安全所面临的难题。车辆重识别作为视频监控中最重要的模块之一,在维护社会治安方面起到了至关重要的作用。而车辆重识别的任务就是,根据给定的车辆去海量的监控数据中快速匹配出同一辆车。近年来,关于车辆重识别的研究也越来越多,但是依然存在很多挑战没能得到很好的解决,例如受光照变化、遮挡、角度变化、运动模糊、低分辨率、同款车型等很多因素的影响,使得同一辆车在不同相机下外观差异很大,而不同的车可能看上去非常相似,从而导致目前基于外观特征的车辆重识别方法不那么顺利。因此,针对这些挑战,本文提出了相应的解决方案,主要工作如下:首先,车型、颜色以及不同角度的细节特征是进行车辆重识别研究时的重要线索。所以如何利用车型、颜色和角度信息是我们这项工作中所要关心的问题。在现实生活中,如果一名警察想要在监控摄像头下寻找一辆犯罪嫌疑人的车时,他可能首先把不同车型的车排除掉,然后将不同颜色的车排除掉,从而缩小查找范围,再在这小的范围内,根据车辆的细节特征去寻找。这样的寻找思路给了我们很大的启发,于是我们提出了一种基于属性引导的车辆重识别算法。具体来说,我们首先通过渐进式地学习,提取到车辆的每个角度、每个车型和每个颜色的特征,然后将这些特征进行有效地融合作为最终识别的特征。实验证明了我们的方法要比其它方法性能好。然后,随着深度学习技术的不断发展,基于有监督的学习已经使得模型在训练阶段能够得到非常好的结果,然而测试阶段却不能令人满意。因此,在这项工作中,我们一方面提出一种新的数据增广的方式,通过增加训练集的多样性使得模型的泛化性能得到提高,另一方面利用注意力机制促使网络挖掘更具判别力的特征区域。具体来说,首先将注意力机制嵌入到ResNet-50中构建一个车辆重识别网络模型,并训练这个网络直到收敛。然后,按照一定的策略对样本进行遮挡。最后,将原始样本和遮挡样本作为新的训练集,重新训练该模型直到收敛。实验证明所提方法具有良好的性能。