车辆重识别（Vehicle Re-Identification, V-ReID）是一项关键任务，旨在从不同摄像头视角拍摄的图像中关联同一辆车。尽管已有大量研究尝试利用车辆属性线索（如颜色、车型等）来提升V-ReID性能，但属性相关模块与最终的重识别目标之间通常缺乏有效的交互机制。为此，本文提出一种新方法，以高效挖掘车辆属性中的判别性信息。我们设计了AttributeNet（ANet），该网络能够联合提取与身份相关特征和属性特征。通过将对重识别有帮助的属性特征进行知识蒸馏，并将其融入通用的重识别特征中，从而增强特征的判别能力。此外，我们提出一种名为“优化约束”（Amelioration Constraint, AC）的新约束机制，旨在促使在将属性特征叠加至通用重识别特征后所得到的新特征，其判别性优于原始的通用重识别特征。我们在三个具有挑战性的公开数据集上验证了所提框架的有效性。实验结果表明，本文方法在多个基准上均达到了当前最优（state-of-the-art）性能。