La reidentificación de vehículos emplea visión por computadora para determinar la presencia de vehículos específicos en imágenes o secuencias de video, a menudo utilizando la apariencia del vehículo para la identificación debido al desafío de capturar información completa de la placa de matrícula. Abordando los problemas de rendimiento causados por la niebla, como el desenfoque de imagen y la pérdida de información posicional clave, este artículo introduce un marco de aprendizaje multitarea que incorpora un método de desempañado de fusión multi-escala (MsF). Este método mitiga eficazmente el desenfoque de imagen para producir imágenes más claras, que luego son procesadas por la rama de reidentificación. Además, se introduce un mecanismo de atención de fase para preservar adaptativamente detalles cruciales. Utilizando técnicas avanzadas de inteligencia artificial y algoritmos de aprendizaje profundo, el marco es evaluado en conjuntos de datos sintéticos y reales, mostrando mejoras significativas en la precisión media promedio (mAP): un aumento del 2.5% al 87.8% en el conjunto de datos sintético y del 1.4% al 84.1% en el conjunto de datos real. Estas mejoras demuestran el rendimiento superior del método sobre el modelo de aprendizaje de desempañado conjunto semi-supervisado (SJDL), especialmente bajo condiciones de niebla desafiantes, mejorando así la precisión de reidentificación de vehículos y profundizando la comprensión de la aplicación de marcos de aprendizaje multitarea en entornos visuales adversos.