当今社会己经逐步进入“人工智能”时代,大量的新技术推动着社会朝着信息化、智能化的方向发展,带来了包括机器人、语音识别、图像理解、自然语言处理、智能推荐系统等众多高科技产品。同时,计算机视觉作为人工智能邻域的重要组成部分而成为热点研究内容,它通过对计算机视觉相关的理论和技术进行研究,然后建立从图像或视频数据中获取“信息”的人工视觉系统,使计算机代替人的眼睛及大脑,对现实世界进行感知、解释和理解。而行人跟踪及轨迹预测作为计算机视觉邻域的热点研究内容,已成功运用于智能安防监控、盲人导航等领域,并且取得了较好的发展。然而,区别于第三人称的行人跟踪及轨迹预测,第一人称视频中由于行人频繁遮挡、相互影响以及场景变换而导致跟踪及轨迹预测精度较低,本文为了提高行人跟踪及轨迹预测精度,侧重研究了第一人称视频中的行人跟踪及轨迹预测方法,以更好满足实际应用的需求。首先,针对由于第一人称视频中行人频繁遮挡,导致目前行人检测准确率较低的问题,提出一种基于改进单步多框检测器(SSD)的行人检测模型。该方法首先对SSD的网络结构进行调整,改变其中的特征提取策略;其次重新设置默认框,使用一种宽高比的默认框来进行预测;最后使用排斥力损失函数进行计算,得到精确的行人检测结果,较好地解决了行人频繁遮挡造成的错检漏检问题。然后,针对由于第一人称视频中行人特征不突出以及行人的相互影响,导致跟踪准确率不高的问题,提出结合深度表观特征和社会力优化的行人跟踪方法。该方法利用基于改进单步多框检测器的行人检测模型来得到准确的行人检测结果,提取检测后图像的深度表观特征,使用Kuhn-Munkres算法进行数据关联,最后基于社会力模型进行关联结果优化,进而提高行人跟踪的准确率。最后,针对第一人称视频中行人相互影响以及运动场景实时变换的问题,提出结合注意力和场景特征的行人轨迹预测方法。采用LSTM的编码器-解码器结构,通过对自身运动信息编码捕获先验信息影响,通过使用注意力量化表征行人影响,使用CNN模型提取的场景特征表示场景影响,实现了第一人称视频中的行人轨迹预测,具有较高的预测精度。