La reidentificación de vehículos (Re-ID) se ha convertido en un punto de investigación candente junto con el rápido desarrollo de la vigilancia por video. Los mecanismos de atención se utilizan en las redes de Re-ID de vehículos pero a menudo se pierde la alineación de atención entre vistas. En este documento, proponemos una nueva Red de Alineación Basada en Partes Atentas (APANet) para aprender características robustas, diversas y discriminativas para la Re-ID de vehículos. Específicamente, para mejorar la discriminación de las características de las partes, se proponen dos mecanismos de alineación a nivel de partes en APANet, que consisten en la Pérdida de Ortogonalidad a Nivel de Partes (POL) y la Pérdida de Alineación de Atención a Nivel de Partes (PAAL). Además, POL tiene como objetivo maximizar la diversidad de las características de las partes mediante una penalización ortogonal entre partes, mientras que PAAL aprende características invariantes a la vista mediante la realización de una alineación de atención a nivel de partes. Además, proponemos un módulo de Atención de Múltiples Campos Receptivos (MA) para adoptar una estructura de pirámide eficiente y rentable. La estructura de pirámide es capaz de emplear información de atención espacial más fina y de escala heterogénea a través de flujos de múltiples campos receptivos. Además, se utilizan la pérdida mejorada TriHard y la función de Pérdida de Centroides de Características entre Grupos (IFCL) para optimizar tanto la distancia entre grupos como la distancia intra-grupo. Experimentos extensos demuestran la superioridad de nuestro modelo sobre múltiples enfoques de vanguardia existentes en dos populares bancos de pruebas de Re-ID de vehículos.