随着深度卷积神经网络的发展,基于深度学习的视频目标检测算法的检测精度和速度都取得了突破性的进展,但其仍面临着诸多挑战。比如逐帧通过大型卷积神经网络提取特征并进行特征聚合,单帧图像检测算法计算资源消耗大,不能满足实时在线的视频目标检测。本文以基于内存增强的全局-局部融合方法（MEGA）为基本的检测框架,提出一种基于特征传播和知识蒸馏的视频目标检测算法,分别从时间维度和单帧图像目标检测维度对MEGA算法进行改进。本文主要工作内容和创新性成果如下:（1）在时间维度,通过设计一种基于关键帧策略的特征传播模型对MEGA算法进行改进。MEGA算法逐帧通过大型的卷积神经网络提取特征并进行特征聚合,造成计算量的冗余。首先基于目标运动速度,采用动态分配关键帧的方法,动态地调整关键帧的选择间隔,以减少计算量并提高检测精度。然后,设计一种特征传播模型,其在不同帧的局部区域以逐渐稀疏的步幅确定空间对应关系,实现将高层特征从关键帧传播到非关键帧。在此基础上,为进一步降低最大延迟,利用异步检测模式协调关键帧的特征传播和计算。实验结果表明,经过时间维度改进的MEGA算法的检测速度和最大延迟分别为31.8fps和31ms。与原MEGA相比,检测速度获得较大提升,最大延迟明显降低。（2）在单帧图像目标检测维度,设计一种基于知识蒸馏的单帧图像目标检测算法对MEGA算法进行改进。MEGA算法中的单帧图像检测算法为基于Res Net-101的检测算法,存在参数多、网络复杂、计算量大等问题,且存在目标被重复检测或漏检的问题。首先将特征提取子网络由Res Net-101替换为Res Net-50,降低网络的计算量和参数量;然后,设计一种基于距离交并比指标（DIo U）的多尺度非极大值抑制算法,替换普通的非极大值抑制算法（NMS）,降低候选框错检和漏检的可能性;此外,设计一种将基于响应和基于特征的知识蒸馏相结合的知识蒸馏方法,对模型进行蒸馏,增加模型的特征提取能力和检测精度,该方法通过将正负样本分别进行蒸馏的策略,解决正负样本不一致的问题。实验结果表明,通过对MEGA算法两个维度进行改进后,得到的基于特征传播和知识蒸馏的视频目标检测算法的检测速度和检测精度分别为52.5fps和81.5%。与MEGA方法相比,检测精度只有微弱的降低,但检测速度获得了明显的提升,实现实时在线的视频目标检测。（3）根据提出的基于特征传播和知识蒸馏的视频目标检测算法,基于Py Qt框架和Flask框架,设计并开发主要针对交通领域的车辆信息统计系统,并在UA-DETRAC数据集上对系统的性能进行了验证。