在计算机视觉技术高速发展的时代,传统的目标检测算法虽然能检测出某些目标物体,但其准确度不够,相比之下,基于深度学习的目标检测技术能够更好的检测出目标对象。但随着相关技术的发展,逐渐涌现出一些问题,比如在某些应用场景下,可供训练的样本数据量很少,因为搜集满足要求的标注数据需要耗费极大的财力和物力,这在一定程度上限制了现有目标检测方法的落地应用与推广。针对以上问题,本文对基于小样本的目标检测与跟踪模型进行了研究,具体来说工作如下:（1）本文基于单阶段网络YOLO-V3 SPP进行研究,提出了一种基于小样本的图像数据集扩充方法,在对图像增强时,对中心点坐标和目标框进行相应的变换,解算出变换后的坐标,生成对应的Bounding Box文件,并与变换后的图像分别有序存储于新的数据集文件夹下。在目标检测的过程中,训练包括数据扩充后的图像及其相对应的xml文件。同时,本文使用标注工具制作了一个具有保护色动物的小样本数据集,对自定义数据集不进行数据扩充和进行不同倍数的数据扩充,采用前后对比实验,结果显示,本文提出的数据扩充方法能够在样本数据量不足时,有效地提升目标检测的准确度。（2）本文基于两阶段网络Faster RCNN进行研究,融合了特征金字塔结构的多尺度特征,同时,借鉴关系感知的全局注意力机制对模型进行了进一步地改进,采用VOC2007和VOC2012数据集进行联合训练,使得本文中新类样本数据量很少时,也能将图像特征有效的提取出来,将实验结果与当前较流行的几种小样本目标检测方法进行对比,验证了改进后模型的有效性。（3）本文对运动目标跟踪检测算法:帧间差分法、背景减除法、光流法进行了研究,对不同算法的跟踪检测情况进行了实验,并做了分析比较,得出了算法存在的问题。且通过使用卡尔曼滤波算法制作了一个单目标跟踪器,相较于IOU匹配,能够实现当目标通过障碍物时,不会出现目标丢失的情况。