我国拥有十几亿人口,土地面积居世界第三,人口密度较高。特别是一线城市,存在着诸多公共场合,如机场、火车站、影剧院、球场等,不仅人口聚积密度高,而且形成了人流极大的场景。在这类场景下,由于人们素质参差不齐、心中目的目标各异,各种摩擦、冲突时有发生,既增加了突发事件出现的概率,给公共管理带来了巨大挑战,也极大地提高了管理的难度和成本。针对对突发公共安全事件频发态势,国家出台了相对严柯的管控措施,但收效甚微。因此,依据信息化技术与手段,适时研制大型公共区域的智能检测与跟踪感知决策系统,通过实时监控、精准感知、期前预警,从源头上化解风险,以确保人们生命财产无危,就显得特别重要。本文基于复杂的多目标检测与跟踪的理论技术研究,以十亿像素背景下的大场景下的多目标的检测跟踪性能入手,通过实际落地应用,不仅能提升业务的效率,而且能减少人力成本、带来实际价值。具体研究内容和成果如下:（1）首先介绍本论文所研究的数据,然后介绍二阶段深度学习算法CasacdeRCNN和一阶段算法YOLOV5的目标检测算法原理,同时也针对大场景的数据无法直接训练的问题,提出了离线裁剪和在线裁剪两种数据处理方式。并用这两种处理方式分别对两者算法进行训练,然后给出评估指标进行指标对比,得出了YOLOV5对大场景的多目标检测具有很好的精度和实时性。（2）针对大场景下目标尺度差异大,目标在场景中密集分布,遮挡严重等问题,提出了基于改进YOLOV5的检测算法,引入Mosaic和hsv数据增强,以提升网络对场景变化的鲁棒性。优化框架结构,引入了注意力机制GCT模块,增强前景目标信息表达。将损失函数CE修改为Focal Loss提高了特征提取能力,以及加快网络收敛。引入了Dense Mask和WBF结构,来解决大场景下多目标的密集问题,通过网络结构学习NMS阈值,结合WBF让目标的置信度更合理,同时也剔除了人为设定阈值的不可靠性。改进过后的算法对相同的测试集进行测试,所改进的目标检测算法性能在两种评估指标上各提升2.3%和3.4%。（3）针对连续视频帧低导致目标移动距离远等问题,引入了CCN模块来解决检测任务和目标Embedding提取任务的竞争关系,结合SAAN模块提升目标外观的Embedding的表达以提升整个框架的检测跟踪速度。同时度量Embedding相似性和基于IOU的度量的两者加权融合作为匈牙利算法的匹配标准来解决数据关联的准确性,三种性能指标上各提升了6.5%、8%和8%,速度提升了近五倍。保证了整个网络结构在GPU下的实时性。