大多数道路车辆检测与跟踪是基于传统的固定监控摄像头,固定摄像头存在灵活性差、视野局限等弊端,而无人机飞行灵活、监控范围广、目标遮挡度低,在特殊时间段内可以对未设置固定摄像头的区域进行辅助监控,有效地弥补了监控区域固定和范围有限的不足。因此,基于无人机拍摄的道路交通视频的车辆检测与跟踪算法是一个值得研究并且有较高实用价值的课题。由于无人机视角下的交通视频中存在目标尺寸较小等问题,同时跟踪速度也应满足实时性要求,为此本文提出了一个应用在无人机交通视频中的实时车辆检测与跟踪算法,主要工作及创新点概括如下:（1）对通用目标检测算法进行研究与分析。首先对卷积神经网络的原理和结构进行了分析,其次研究了基于候选区域和基于回归的目标检测算法原理,通过比较两类算法的检测精度和检测速度,最终选择对密集小目标检测十分有效的YOLOv3算法作为实现本课题的基础检测算法。（2）由于无人机拍摄的交通视频中目标尺寸较小,现有目标检测算法的精度和速度难以满足要求,提出了一种改进YOLOv3的车辆检测算法YOMOv3-CIo U。通过k-means++聚类算法获取适合所用数据集的anchor box;以深度可分离卷积网络Mobile Netv3作为特征提取网络实现网络结构轻量化;以CIo U Loss作为边框回归损失函数对算法在车辆数据集上进行训练并测试。实验结果表明:改进后的模型参数量减少为原来的2/5,在速度上有了10帧/秒的提升。（3）针对多目标跟踪过程中ID跳变等问题,提出了一种基于度量学习的多车辆跟踪算法。算法使用YOMOv3-CIo U作为车辆检测器,通过卡尔曼滤波对前一帧车辆运动轨迹进行预测,采用基于深度度量学习提取到的深度特征作为车辆外观特征,使用基于马氏距离的运动信息相似度和基于最小余弦距离的外观特征相似度的线性加权作为综合相似性矩阵,最后使用匈牙利算法求解综合相似性矩阵,对前后两帧车辆之间进行数据关联,得到最终的跟踪结果。实验结果表明,本文所提车辆跟踪算法在跟踪精度没有明显降低的前提下获得了更快的跟踪速度,达到17帧/秒。