在计算机软件和硬件设备不断发展的时代,人们可以通过图像处理、模式识别、语义分割等方式,来对视频图像进行信息提取、数据分析。随着信息媒体时代的快速发展,怎么对工商业领域的视频图像进行目标的实时检测和跟踪成为一个重要的研究方向。目前,市场上大多数目标跟踪系统仍然难以达到预期的跟踪精确度和实时性要求,难以适应长期的目标跟踪以及各种复杂的跟踪场景,常见的环境因素有形变遮挡、尺度变化、快速运动等,这些现象最终都会造成目标丢失。针对这些情况,本文设计并实现一套针对车辆跟踪这一特定场景的跟踪系统,具有较强的实时性和鲁棒性。首先,本文在传统跟踪算法KCF的基础上进行改进,通过融合具有互补功能的纹理特征和颜色特征来增强滤波器鲁棒性;针对KCF缺乏应对尺度变化的策略,引入尺度自适应机制,在目标预测位置附近采样获得多个不同大小的样本,训练得到一个用于尺度估计的一维滤波器,然后选取最大响应尺度样本作为最终尺度;针对KCF算法在遮挡形变等情况下容易发生漂移现象,本文提出一种优化的模型更新策略,预先设定一个阈值进行可靠性判断,当跟踪结果不可靠时,停止模型更新,避免目标模型受到污染。其次为了增强算法的鲁棒性能,决定加入重检测机制。主要对深度学习的检测算法RCNN系列检测算法以及YOLO系列算法进行研究和对比分析,最终选择了速度和精度均有着不错的表现的YOLO V3作为检测算法,YOLO V3算法是将目标检测作为一个回归问题来看待,一次对图像的遍历即可得到最终的检测结果,简化了计算。加入重检测机制后,当判断跟踪结果不可靠时,启动检测算法重新定位目标,当检测结果可靠时初始化目标模型,否则继续在下一帧检测目标。将改进后的算法在OTB100数据集上进行测试,经过定性分析和定量分析,证明改进后的算法的精确度和成功率都有较大提升,算法鲁棒性也更好。最后,利用上述算法设计并实现了一套车辆检测与跟踪系统,首先对系统在性能和功能两方面进行需求分析,然后介绍了系统的设计结构和开发环境,接着详细介绍了系统各模块功能的实现过程。最后对系统进行详细的功能测试,并通过测试结果进行性能分析,实验表明本系统能够有效地对目标车辆进行稳定地跟踪,具有较高的准确性和实用性价值。