本发明涉及一种基于卷积神经网络的细粒度车辆多属性识别方法，属于计算机视觉识别技术领域。该方法包括以下步骤：设计神经网络结构，包括卷积层、池化层和全连接层，其中卷积层与池化层负责特征提取，在最后一层全连接层通过计算目标损失函数输出分类结果；利用细粒度车辆数据集和标签数据集进行神经网络的训练，训练方式为有监督学习，并利用随机梯度下降算法进行权重矩阵和偏移量的调整；训练好的神经网络模型，用于进行车辆属性识别。本发明可应用到车辆的多属性识别，利用细粒度车辆数据集和多属性标签数据集通过卷积神经网络获得车辆更抽象的高层表达，从大量训练样本中学习到反映待识别车辆本质的隐形特征，可扩展性更强，识别精度也更高。