随着我国经济的快速发展,私家车的数量出现了爆发式的增长,人们在得到便利的同时也出现了许多交通问题,伴随深度学习与大数据相关技术的出现,相关交通问题有望得以解决。未来智能交通的发展,如何在海量视频中以及道路交通场景比较复杂的情况下,准确找到目标车辆至关重要,并且针对各种实际场景跟踪车辆,实时性与准确率一直是研究的难点。本文提出一种基于CNN特征提取的粒子滤波跟踪算法,解决跟踪出现的鲁棒性与实时性问题,提高跟踪的准确率。首先研究了卷积神经网络模型,采用CNN进行特征提取,并改进其特征提取方法,针对传统池化算法特征提取单一、灵活性不足的缺点,提出一种混沌变尺度萤火虫池化算法,即将混沌变尺度萤火虫算法引入池化算法,不断优化池化参数,直至收敛,使其具备一定的灵活性,改进算法能克服原池化算法固有的缺点。其次使用Faster-RCNN检测方法进行特征提取与目标检测。利用改进CNN算法获得卷积特征图并加入到RPN网络中,对其进行处理,用于寻找可能包含目标的建议区域,利用目标分数对建议区域框进行筛选,之后对区域内的目标类型进行分类判别,并对属于某一特征的预选框回归,进一步调整其位置。最后采用Mean Shift与权值优化的粒子滤波跟踪算法。利用均值偏移的聚类作用,将粒子样本收敛到最接近目标的真实位置。由于粒子滤波算法在重采样过程中,会复制权值大的粒子,相应的舍弃权值小的粒子,降低粒子多样性,因此采用权值优化算法对粒子权值进行优化处理,提高粒子多样性。之后利用目标检测与粒子滤波算法预测目标轨迹,匈牙利算法进行前后帧目标关联,获得最佳跟踪轨迹,完成跟踪实验。在公开数据集上验证了本文算法良好的准确性和实时性,有效降低了计算量,还对光照变化、复杂背景、遮挡等都能很好的适应。