目标检测与跟踪是计算机视觉领域的研究热点,并在自动驾驶、智能监控以及体育竞技等多个领域中都发挥着关键性的作用,为人们的生活带来极大的便利。随着科学技术的不断发展,各种先进的检测与跟踪算法相继被提出。但是在实际的应用场景中,依旧受到尺度变化、背景干扰等因素带来的挑战,目标检测与跟踪仍然存在各种问题难点亟待研究和解决。本文主要研究基于视觉的游泳运动员检测与跟踪方法,具体研究内容如下:首先,针对多尺度目标检测问题,本文提出了一种特征融合网络。该网络通过融合不同层特征,实现对特征图的增强,从而提升多尺度检测的性能。通过在特征融合网络中增加横向特征增强模块,解决了深层特征在融合过程中的丢失问题。此外增加浅层特征融合路径,同时通过设计浅层特征融合模块,利用注意力机制替代直接按元素相加的特征融合方式,增加特征中包含的空间信息。通过实验表明,该特征融合网络可有效提升网络检测性能。其次,通过融合FHOG和颜色特征,综合两种特征,获取对目标完整的表征。针对跟踪器固定学习率更新导致的模型污染问题,改进了模型更新策略。分别从响应图集中程度和目标相似性角度考虑,提出了系数PCF和HIST,实现了对跟踪效果的间接反映。之后,通过实时判断各帧图像跟踪效果,动态决定模型是否更新,有效降低了较差结果对模型的影响。通过实验表明,该模型更新策略可以有效弥补固定学习率更新机制的缺陷,提升了算法跟踪性能。最后,针对实际游泳过程的跟踪问题,本文提出了综合的检测与跟踪算法。针对初始目标确定问题,利用目标检测算法输出结果完成跟踪器的初始化。之后,通过预测框的置信度和区域大小对检测结果综合筛选,解决了置信度不能完全反映结果可信度的问题。此外,针对跟踪器长时间跟踪,精度下降出现漂移的问题,通过增加异常情况判断和目标重检测环节,实现了长时间目标跟踪。同时,通过卡尔曼滤波方法修正目标跟踪位置。最后,通过实验验证了该方法的有效性。