计算机视觉领域主要由目标检测、目标识别分割、目标跟踪等研究方向组成,其中目标跟踪研究一直是领域内的焦点。近年来,随着深度学习的火热研究、硬件系统的稳步提升、大数据和云计算等方面的研究,目标跟踪方面的研究也获得了新的机遇和挑战。但由于视觉目标跟踪技术只给定第一帧目标边界框,供深度网络学习的数据信息严重不足,深度学习在目标跟踪中应用不如其他领域普遍。因而本文从目标检测和目标跟踪研究两个方面入手,对基于深度学习的目标检测以及跟踪进行新的探索。本文提出了一种基于通道修剪与全卷积的更快速区域卷积神经网络的目标检测方法。该方法首先使用套索回归方法在卷积神经网络的每层通道上实现冗余通道的修剪,以达到加速特征提取的目的;然后,使用线性最小二乘法来最小化重构误差,以减小修剪通道对网络的影响;最后,使用全卷积化VGG-16网络来共享感兴趣区域的计算,以达到加速推理时间的目的。本文提出了一种基于双分支孪生全卷积网络和时空正则化的目标跟踪方法。该方法首先搭建双分支孪生网络框架,其中语义分支网络可学习到深度语义特征,而外观分支网络则学习到外观特征;然后,将时空正则化相关滤波器层添加到语义分支中以提高跟踪速度和跟踪精度;最后,组合语义分支网络和外观分支网络以进一步优化跟踪性能。最后,将本文方法在行人检测数据集Caltech和目标跟踪数据集VOT2017和OTB2015上进行实验分析,结果表明本文提出的目标跟踪方法在背景复杂、受遮挡及光照变化情况下具有更好的鲁棒性和跟踪精度。