Les méthodes existantes de ré-identification de véhicules utilisent généralement des opérations de pooling spatial pour agréger les cartes de caractéristiques extraites à partir de réseaux de base (backbone) standardisés. Ces approches négligent l’exploration de la signification spatiale des cartes de caractéristiques, ce qui entraîne une dégradation des performances de ré-identification. Dans cet article, nous proposons tout d’abord un nouveau réseau graphique spatial (SGN) afin d’explorer de manière fine la signification spatiale des cartes de caractéristiques. Le SGN est composé de plusieurs graphes spatiaux (SG) empilés. Chaque SG associe les éléments d’une carte de caractéristiques à des nœuds, et détermine les arêtes entre ces nœuds à l’aide des relations de voisinage spatial. Lors de la propagation dans le SGN, chaque nœud et ses voisins spatiaux sur un SG sont agrégés vers le SG suivant. Sur ce dernier, chaque nœud agrégé est répondéré à l’aide d’un paramètre apprenable afin de capturer la signification associée à sa localisation respective. Ensuite, nous concevons un nouveau réseau graphique pyramidale (PGN) afin d’explorer de manière exhaustive la signification spatiale des cartes de caractéristiques à plusieurs échelles. Le PGN organise plusieurs SGNs de manière pyramidale, chaque SGN traitant une carte de caractéristiques à une échelle spécifique. Enfin, nous développons un réseau graphique pyramidale hybride (HPGN) en intégrant le PGN derrière un réseau de base basé sur ResNet-50. Des expériences étendues sur trois bases de données larges échelles de véhicules (à savoir VeRi776, VehicleID et VeRi-Wild) démontrent que le HPGN proposé surpasser les approches les plus avancées de ré-identification de véhicules.