El emparejamiento de vehículos en entornos de iluminación variable puede ser desafiante debido a la fuerte dependencia de la apariencia del vehículo de las condiciones de iluminación. Para abordar este problema, proponemos un marco de aprendizaje progresivo de dos etapas (TSPL). En la primera etapa, se aplica un aprendizaje métrico consciente de la iluminación utilizando una red de dos ramas a través de dos espacios de características específicas de la iluminación, utilizados para modelar explícitamente las diferencias en la iluminación. En la segunda etapa, se introduce un aprendizaje de características discriminativas para extraer características distintivas de un vehículo dado. Este proceso consta de un módulo de atención para la extracción de características locales, una restricción local y una estrategia de muestreo equilibrado. Durante la fase de aprendizaje métrico, el modelo expresa la unión de características locales, extraídas del módulo de atención, con características globales específicas de la iluminación para formar características de vehículos conjuntas. Como parte del estudio, construimos un conjunto de datos a gran escala, denominado VERI-DAN (reidentificación de vehículos durante el día y la noche), para abordar la falta actual de conjuntos de datos de vehículos que exhiban condiciones de iluminación variables. Este conjunto está compuesto por 200,004 imágenes de 16,654 vehículos, recopiladas en varios entornos de iluminación natural. Los experimentos de validación realizados con los conjuntos de datos VERI-DAN y Vehicle-1M demostraron que nuestra metodología propuesta mejoró efectivamente la precisión de reidentificación de vehículos en el rango 1.