智能汽车在减轻驾驶负荷、提高主动安全性、改善交通效率以及降低能源消耗等方面具有巨大潜力,不仅成为了全球汽车产业发展的战略方向,也是我国汽车强国建设的历史机遇,是新一代信息技术、高端装备制造、新材料、新能源等战略性新兴产业的创新集成载体。环境感知技术是实现汽车智能化的重要基础,也是智能汽车实现高级别自动驾驶的瓶颈所在。检测与跟踪技术可以为后续定位、建图提供感知输出,是后续高级感知任务的基础,对提升智能汽车行驶安全具有重要作用。本文重点考虑了高密度交通场景中的对象检测与身份ID快速匹配,在已有的视觉检测算法与多目标跟踪算法的基础上,进行了针对性改进,以满足智能汽车感知任务所需的性能精度与计算速度为目标,展开了高密度交通场景的多目标检测与跟踪的研究,具体研究内容如下:（1）提出了用于高密度场景的YOLO＿Free检测算法以实现高密度交通场景下的多目标检测。使用了多分支结构的无锚框预测方式对目标进行检测解决了高密度目标检测性能不足的问题;使用了双随机遮挡填充的方式解决了高密度交通场景稀少遮挡导致的模型泛化性不足的问题;使用了DIo U损失函数,解决了交通场景中对象距离过近导致的检测效果差的问题。实验结果表明:本算法在高密度交通场景下不仅在检测精度上提升5.1%,而且具有与原有算法相接近的检测速度。（2）提出了联合YOLO＿Free检测算法的多目标跟踪算法以实现高密度交通场景下的实时多目标跟踪。使用了基于Transformer结构的身份ID映射方法解决了目标移动不确定性的问题;使用了历史外观特征对当前外观进行修正解决了遮挡导致的外观缺失的问题;使用了低置信度检测框进行二次关联解决了漏检导致的身份切换次数较高的问题;使用了Transformer线性化加速解决了模型计算速度慢的问题。实验结果表明,本算法在高密度交通场景下不仅在高阶跟踪准确度上提升21.3%,而且速度满足实时性的需求。（3）基于课题组江大智能行2号实车测试平台开展性能测试以验证算法的可行性。代码基于python3.8和C++实现,深度学习构建框架为Pytorch1.8.0,使用了Ubuntu18.04的操作系统,开发调试工具为Pycharm,使用了Py Qt5将算法可视化封装。实车试验表明本文所提方法在高密度交通场景中可以有效实现对行人与车辆的跟踪,具有较高的工程价值。