当前,真实或视频场景车辆检测与车流量统计已成为运动物体目标检测及跟踪的热点问题,而深度神经网络近些年开始普及并推广,并在CV、NLP等领域都取得了巨大的突破。此方法的准确率和鲁棒性远优于传统的检测方案,但由于其计算密集特性,导致其检测实时性往往不如传统算法。针对上述问题,本文研究基于目标检测网络（YOLOV3）设计一个高精度的车辆检测和跟踪方法,通过系统地设计功能与实现,在效果上展示出比传统车辆检测算法更优的性能,并通过剪枝和量化两个角度压缩神经网络模型来解决推理速度较慢、实时性差的问题,实现实时车辆检测和车流量统计的目标。主要工作如下:首先描述了方法基本设计原理和YOLOv3目标检测算法,结合BN和GBN、数据增强策略、Drop Out策略、检测特征融合策略和小型化网络设计对YOLOv3改进研究。接着,结合多目标跟踪技术背景、高效的实时跟踪算法分析基于YOLOv3的高效目标跟踪算法。随后我们从数据集选取、实验评价指标、实验流程、VOC数据集和车辆数据集采集等方面进行实验设计,结合任意分区的车辆检测和车流量的统计、轨迹跟踪与违章变道判定等环节,进行系统效果和功能的阐释。然后我们探索基于神经网络剪枝的车辆检测和车流量统计方法加速。我们先分析了模型剪枝的理论依据。在对基于元学习的模型剪枝策略上,综合元网络、训练元网络和网络结构搜索及分析等三个层次进行解析;在基于自适应通道剪枝的模型剪枝策略上,以理论推导为基础,展开策略优化。在YOLOv3模型剪枝实验设计上主要从VOC2012数据集实验和车辆数据集实验上进行综合研究。最后进行基于神经网络量化的车辆统计和车流量检测方法加速。从理论依据和优化策略着手研究模型int8量化基础和加速性能基准。结合kmeans聚类算法、异常值检测和量化与解量化分析了基于kmeans的高精度量化策略。在量化实验结果上,进行定量和定性分析。