视频监控是计算机视觉领域的一项研究热点，广泛应用于公共安全、智能交通等领域。车辆再识别是视频监控系统中的关键技术，可以实现对嫌疑车辆的跨相机追踪、轨迹预测等，对城市安全具有重大意义。车辆再识别是指对不同监控相机下的车辆图片进行匹配，在非重叠相机不同时间拍摄的视频中找到目标车辆的过程。为实现监控视频中的车辆再识别，本文主要研究了运动车辆检测和车辆特征提取，并形成了一套具有较好准确性的车辆再识别系统。针对该系统，本文主要进行了以下研究：　　首先，研究并实现了运动车辆检测。由于本文是针对静止相机下的车辆检测，为了加快处理速度，先采用了ViBe背景建模方法获得车辆候选区域，然后研究分析了可变形部件模型，在运动检测的基础上采用该模型进行多种姿态车辆的检测，并对检测的结果进行跟踪，得到车辆跟踪序列。　　然后，针对车辆再识别中的特征提取，本文提出了一种在外观描述和计算复杂度两个方面都比较均衡的颜色特征描述符。通过对HSV颜色空间的非线性划分，建立颜色查找表，将高维颜色空间映射到一维向量空间，从而得到稳定的颜色描述。　　此外，目前深度学习已经成功应用于人脸识别、图像分类、目标检测等领域，本文将深度学习用于车辆再识别中的特征提取。首先研究了基于分类模型的车辆再识别，通过对AlexNet网络微调并用标注的车辆数据进行训练，再采用训练好的模型提取输入车辆图片的特征；然后，设计了一种用于车辆图片验证的Siamese网络；最后，本文提出了一种改进的Siamese网络结构用于车辆再识别，该网络结构在训练时结合了相似性度量和分类，在损失函数中结合了分类模型的Softmax损失和验证模型的对比损失，从而可以减小类内距离，增大类间距离，采用该结构可以提高深度特征的区分性。　　最后，本文采用手工设计的颜色特征以及卷积网络提取的深度特征进行了车辆再识别实验，实验结果表明深度特征相较于手工设计的低级特征效果提升明显，并且本文提出的改进的Siamese网络结构取得了很好的再识别效果。