为了提高车辆重识别任务中特征表示的判别性能，目前大部分方法通过多分支结构来分别提取车辆的全局信息和局部细节信息，这样不仅会增加网络参数，同时还会消耗大量的时间.为了解决上述问题，提出了一种基于跨层注意力与多记忆单元的车辆重识别方法.首先，提出一种跨层注意力模块提取单分支网络中浅层的局部空间信息和深层的全局语义信息，再通过跨层注意力机制分配权重来融合不同层的信息，构建实例记忆单元和类别记忆单元分别储存实例级特征和类别级特征，并通过基于多记忆单元的身份损失来削弱噪声样本对特征表示的影响.实验结果表明，所提出方法在VeRi-776数据集上的mAP、CMC@1、CMC@5相比于基线网络分别提高了1.5%、0.3%、0.1%.在VehicleID数据集中测试集大小为800、1 600、2 400时，CMC@1相比于基线网络分别提高了1.9%、2.8%、3.8%.