随着物联网技术的快速发展与5G基站的快速部署,以深度学习为基础的人工智能应用越来越多,使基于时空数据的医疗影像、城市安防、自动驾驶等视觉领域成为物联网领域的研究热点。随着物联网节点的增多与节点之间网络的部署越来越复杂,物联网系统采集到的视频数据、图片数据、温湿度与气体浓度数据同时也急剧增长,最终使得物联网系统的处理速度和反馈速度越来越慢。为了实现目标跟踪和快速且准确反馈的物联网系统,高效的物联网数据处理方式将变得尤为重要。因此,对这些采集到物联网时空数据加以合理的分类和存储,并对物联网获取的短暂性异常时空数据进行修正,从而使物联网系统可以更快的搜索到物联网节点传输的时空数据信息变得尤为重要。本文将以物联网时空数据为基础,研究对物联网终端节点采集到异常数据的修正方法,并设计对时空数据的分类算法,实现面向目标的快速跟踪算法,最终构建面向目标跟踪的物联网搜索系统。本文的主要工作如下:(1)物联网时空数据处理算法设计针对物联网节点数据异常和数据量大、实时性等特点,设计了基于长短记忆网络的EPLSN(Exception Processing Long and Short Memory Network)算法,解决了短暂性异常数据与时空数据分类的问题。同时采用时序数据库进行时空数据的短暂性存储,并提出基于时空数据的物联网搜索架构,适用于物联网实时搜索,加快了物联网系统实时搜索的速度。(2)基于时空数据的目标跟踪算法设计针对目前目标跟踪算法模型复杂度高并且目标跟踪中存在位移、遮挡、光照等问题,提出了基于MDNet的BLMDNet模型。该模型对训练样本进行了扩展,通过修改和扩大卷积核数量,提高了目标跟踪的专注力。实验结果显示所提出的BLMDNet模型的目标跟踪的精度高于CNN-SVM模型0.2左右。(3)面向目标跟踪的物联网搜索系统设计与实现面向目标跟踪应用场景,设计与实现了基于物联网时空数据的物联网搜索系统,包括需求设计、系统功能设计、物联网时空数据平台的搭建、架构设计、物联网时空数据平台的搭建等,介绍了本文物联网原型系统所需要的硬件。该系统可以实现对传感器节点与摄像头的位置进行目标追踪与实时监控,并可以实现对目标位置的温湿度、气体浓度等信息的查询,同时验证了EPLSN算法与BLMDNet算法的可行性。