目标检测与跟踪是计算机视觉领域长久以来的研究热点和难点,主要任务是找出图像中所有感兴趣的目标或物体,确定它们的类别和位置,并在一个连续时间序列上,持续不断地跟踪目标或物体的运动状态,从而获得其完整的运动轨迹。目标检测和目标跟踪都属于计算机视觉的核心任务,并因目标外观、形状和姿态的差异,以及运动变化、图像光照、遮挡等因素,成为计算机视觉领域极具挑战性的任务。尽管目前各种目标检测与跟踪算法已在公开数据集上取得了不错的效果,但在实际应用过程中,更加复杂的现实场景,对算法提出了更高的要求。因此,为了提升算法性能,目前主流的方式为加深模型,提高特征提取能力,此举虽带来了一定程度上的精度提升,但算法速度损失明显。本文面向车辆和行人这两个重点研究对象,针对目标检测与跟踪算法精度和速度无法兼顾的核心问题展开研究,致力于获取算法模型精度与速度的平衡。主要工作如下:（1）提出了一种基于YOLO v3目标检测框架的新型轻量化目标检测算法Smart YOLO。该算法脱胎于YOLO v3基本架构,在其基础之上,首先引入了深度可分离卷积与逆残差结构,替换原本的残差块,压缩网络宽度,使检测速度获得显著提升;然后重新设计了模型损失函数,引入CIoU和Focal loss解决了训练过程中的边界框发散以及正负样本不均衡的问题,有效优化了模型训练过程,且基本弥补了主干网络所损失的特征提取能力;最后,在算法训练过程加入部分随机图像增强手段,扩充训练数据,提升算法鲁棒性,一定程度上提升了检测精度。在来自某城市实际复杂场景近4万张图像的数据及上,将Smart YOLO分别与YOLO v3及其改进等4种主流算展开对比。在轻量级算法之中,Smart YOLO速度可达40.37 FPS,同时保证了60.31%的mAP（详见表3-6）,在大尺度高清图像上的推理速度具有十分突出的优势。与原版YOLO v3相比,Smart YOLO的mAP获得0.28%的提升,但模型大小仅为其八分之一左右,检测速度取得了近3倍的提升。结果表明,改进后的算法基本解决了YOLO v3参数量多、运行速度慢的问题,更适用于对精度和实时性都要求严格的应用场景。（2）改进Deep SORT目标跟踪算法,实现了对动态车辆和行人两类别、多目标的在线跟踪。原Deep SORT算法仅能实现行人单一类别的跟踪,针对多类别、多目标的实时跟踪任务,本文在其深度模型中,添加车辆外观特征,优化模型训练方式,获得了能够同时对车辆和行人进行跟踪的Deep SORT算法模型。分析模型训练过程及性能评价指标可知,改进后的跟踪深度模型整体训练过程高效、稳定,Rank 1准确率达63.78%,Rank 5准确率达90.98%,在特征提取与匹配方面表现优异。（3）融合改进后的检测与跟踪算法,通过应用系统,实现对动态车辆和行人的在线检测与跟踪。将本文提出的轻量级检测算法Smart YOLO封装成目标检测器,融合到Deep SORT跟踪算法之中,于多个真实场景中对融合算法进行测试,在三个典型应用场景中分析融合算法跟踪效果。同时,设计了一套具有图形化界面的应用系统,嵌入了最优目标提取算法,可直观展示融合算法对任意视频中动态车辆和行人的检测与跟踪效果,并实时完成最优目标图像的捕获。