随着人工智能技术的蓬勃发展,以ADAS和无人驾驶技术为核心的智能汽车成为未来汽车的发展方向,作为其关键技术之一的目标检测与跟踪,一直是该领域的研究热点。车辆的目标检测和跟踪是通过一定方法识别相机采集图像中的车辆目标并提取其运动轨迹,实现主体对周围环境感知的一种技术。其结果好坏直接影响后续决策与规划环节,是智能汽车系统最重要的感知模块,因此具有重要的研究意义及应用前景。但是由于现实交通场景中普遍存在的目标相互遮挡、光照不均、目标截断以及视角变化造成形变等现象,引起了错检、漏检、误跟、重跟等问题。这在很大程度上制约了无人驾驶技术的发展并严重影响了智能汽车由概念走向实用的进程。针对上述问题,本文在充分研究现有目标检测与跟踪算法的基础上,针对其缺陷提出了一系列改进方法并通过实验验证了改进的可行性。本文主要研究内容及贡献包括:首先,对基于3D似物性采样的目标检测算法进行了充分研究,理解其基本原理和实现方法;通过大量对比实验验证了其性能。针对其没有充分利用3D目标建议框信息的缺陷,结合2D检测框和3D建议框信息,在2D检测框的基础上输出3D检测框。其次,深入研究了一种基于3D三角剖分的多目标跟踪方法;针对其单纯使用场景流聚合方法进行目标检测造成输出3D包围盒尺度误差较大的缺点,提出了一种基于K-means和深度优先遍历的视差聚类后处理方法,原始算法框架的基础上取消了深度聚类的目标检测功能,使用专门的目标检测模块代替,原模块只负责3D运动估计。通过与原方法实验结果对比,证明了改进后算法输出目标3D框尺度更加精确。最后,在基于马尔科夫决策模型多目标跟踪方法的基础上提出了一种基于2D-3D融合特征的多目标跟踪方法。通过3D目标检测算法获得2D-3D融合检测目标集合,利用2D-3D目标集分别提取2D特征和3D特征进行目标连接,同时结合双目相机帧间图像多于单目的优势,提出了一种描述能力更强的多角度光流特征代替原来的多面光流特征。改进后算法相比原始MDP具有更好的跟踪效果,对其他主流多目标跟踪方法也具有优势。