在人工智能各类型技术飞速发展的背景下,企业的智能化升级刻不容缓。其中,拥有成熟的目标检测定位技术,使得决策者或智能分析系统能够通过采集到的环境、人员、车辆、设备等信息,准确分析当前情况和采取下一步措施是未来智能企业生产管理的基础。而目前的目标监督系统大多存在检测精度不高,应用场景有限,定位设备成本高以及检测与定位结合不紧密,缺乏完整的流程化模型等问题,阻碍了生产效率的提升。针对上述问题,主要研究工作如下:（1）研究了基于深度学习的目标检测方法,根据多个场景内人员与车辆的图像特征,通过添加空间金字塔池化模块和引入4倍降采样尺度的方法优化了 YOLO-V3网络模型,提升了检测精度。最后使用自制的目标数据集,对模型进行了训练和测试。（2）依据测距原理和应用场景的不同设计了基于目标实际宽度、目标检测面积、假想地平线和目标地面投影点四种单目视觉测距算法,通过对比分析实验,选定基于目标地面投影点的测距算法进行定位研究,获得目标在设定坐标系下的三维坐标。（3）提出了一种符合现阶段应用需求的低成本目标识别与三维定位模型,并且从多目标精准定位、单目标路径监测和目标违规失位告警三个方面设计了模型应用方案,进行了应用实验。实验结果表明:在高IoU阈值下,优化后YOLO-V3模型与原模型相比较,其目标识别和检测的准确性有明显提升,最高可达83.3%,同时,模型的运行帧率为28帧每秒,实时性较好。此外,算法对检测区域内车辆及人员的测距误差基本低于4%,满足三维定位的要求。最终,设计的应用方案达到了预期的应用目标,对于推动企业智能化生产和管理的进程有一定的实际意义。