近年来,随着我国现代化进程不断加快,汽车的保有量急剧增加,这同时也导致了交通事故的频发。为保障生命财产安全,各大汽车厂商愈加关注汽车的主被动安全以及辅助驾驶或自动驾驶技术。环境感知模块是自动驾驶系统的重要组成之一,而目标检测和跟踪又是环境感知模块的基础,设计出性能优良的目标检测和跟踪模型是自动驾驶领域内的研究重点与难点之一。传统的基于人工特征的目标检测算法其泛化能力与鲁棒性较差,因此,本文利用深度学习技术,以道路交通场景中的行驶车辆为研究对象,对目标检测和跟踪算法进行了研究,构建了兼具精度与实时性的车辆检测和跟踪模型。本文主要完成了以下工作:(1)基于深度学习提出了SE-Tiny YOLOv3目标检测算法。针对Tiny YOLOv3检测模型无法较好权衡精度与实时性的问题,使用深度可分离卷积代替了Tiny网络结构中普通的卷积层,基于SENet子模块扩展了Tiny骨干网络的横向深度,提高了卷积神经网络的特征学习能力。基于GIOU值改进了YOLOv3算法的损失函数,改善了边界框回归过程中原始损失函数对尺度变化敏感的问题。(2)研究了深度学习模型的训练技巧。在Fashion-MNIST和CIFA-10分类数据集上,构建并训练了一个简单的分类模型,分析了各优化算法、学习率衰减策略以及数据增强技术对该模型最终性能的影响。比较了模型训练过程中的损失和精度变化曲线,结果表明,SGDM模型优化算法、余弦退火学习率调整方法以及合理的数据增强技术这些训练技巧能够使得模型获得更高的分类精度,为之后检测模型的训练提供了初步的选择依据。(3)基于所提出的SE-Tiny YOLOv3目标检测算法,在VOC数据集上训练了包含20个类别的目标检测模型。实验结果表明,基于GIOU损失的SE-Tiny YOLOv3算法在测试集上最终获得了62.6%的mAP值,相较于Tiny YOLO算法,提高了9.9%,较未改进损失函数的SE-Tiny YOLOv3算法,提高了3.3%。检测速度达到了每秒35帧,能够满足实时性要求,同时,模型权重参数为28.3MB,相较于Tiny YOLO算法,降低了7.1MB。(4)基于所提出的SE-Tiny YOLOv3目标检测算法,在KITTI及自制数据集上训练了车辆检测模型。实验结果表明,较损失函数改进前,基于GIOU损失的SE-Tiny YOLOv3算法在测试集上获得了90.0%的平均精度值,提高了8.7%,单张图像检测时间为47ms,降低了11ms。(5)提出了车辆跟踪算法。基于卡尔曼滤波算法设计了车辆跟踪模型,基于匈牙利匹配算法处理跟踪框和检测框之间的匹配关系。将跟踪模型与检测模型相融合,在KITTI跟踪序列中进行了对比实验,实验结果表明,相较于单一的检测算法,融入了跟踪算法的检测模型有效抑制了误检和漏检现象。本文提出的车辆检测和跟踪算法具有一定的普适性,可为其他目标检测和跟踪模型的设计提供参考依据。