特定动态目标识别与跟踪在视频监视等方面具有重要的应用,近年机器学习技术以及卷积神经网路的发展极大地推动了特征提取以及图像的模式识别技术发展。本课题主要基于卷积神经网络技术并辅以卡尔曼滤波,匈牙利等传统算法旨在特定小目标的快速检测识别,以及动态特定目标的跟踪方面展开研究。主要研究内容如下:介绍了常用于目标检测的特征提取算法。主要从特征提取速度以及适用范围进行了总结,指出了与传统特征提取算法进行相比,使用卷积神经网络进行特定的目标提取能够具有较好的特征提取效果并且有较快的速度能够适用于特定小目标的快速识别过程。建立了基于卷积神经网络的针对静态特定小目标的检测器。从具体的实验目的出发,构建了包含飞机类,鸟类以及涡轮发动机类三个类别的数据集用于网络的训练以及检测,并且通过优化网络内部特征图提取位置增加了网络对小目标的识别效果,增加新的决策规则增加网络对特定类别的识别准确程度。通过联合卡尔曼滤波器以及匈牙利算法,完成对基于卷积神经网络的针对静态特定小目标的检测器的拓展,使其能够进行视频中动态特定目标的快速识别与跟踪任务。由于检测器只对静态特定目标进行检测严重限制了其使用范围,本文从高效的角度出发,通过使用卡尔曼滤波器对检测器的检测结果进行复用以预测下一帧的状态,再使用匈牙利算法进行状态分配完成了 ID分配以及特定目标的跟踪。完成了针对动态特定目标的快速识别以及跟踪系统的设计,并定量检测了其效果。实验选用一张NVIDIA GeForce GTX 1060 6GB GPU进行基于卷积神经网络检测器的训练检测以及跟踪过程的检测。在该硬件条件下,实验建立的检测器对于小目标以及正常大小的特定目标都有较好的检测效果,能够在自建的检测数据集合上实时检测并且mAP@75能够达到47.41。加入跟踪过程后,整个系统的速度仍然能够满足快速检测与跟踪的要求,运行平均速度能达到0.1097s/帧,追踪过程速度能达到0.001577s/帧,并且由于在构成匈牙利算法的代价矩阵时联合使用了状态以及面积信息,改善了跟踪过程中常见的ID转换(ID switch)问题,取得了较好的跟踪效果,拥有广泛的应用前景。