在交通场景中对车辆目标进行检测与跟踪可以有效获取其位置与行驶轨迹,有利于判断司机的驾驶意图,从而对违章行为进行检测与定性,对公共交通有着重要意义。然而在实际应用中,基于单目图像的2D和3D目标检测方法无法准确估计车辆在真实环境中的位置和偏角,严重影响后续跟踪的精度;而基于激光雷达的3D目标检测方法因成本高昂无法广泛应用。为了精确描述车辆在三维空间中的行驶轨迹和转向信息,本文先将立体匹配算法获取的场景空间信息引入单目3D目标检测算法RTM3D,实现双目3D目标检测,准确的检测车辆的真实位置和角度,再将双目车辆目标检测算法和卡尔曼滤波算法相结合,把不同帧之间的相同车辆联系起来,实现3D车辆目标跟踪,并依据跟踪结果求得车辆的行驶轨迹和转向信息。本文主要研究工作如下:（1）搭建双目数据采集系统。利用张氏标定法对相机进行双目标定,准确获得了相机的内外参数和左右目投影矩阵,确保像素坐标系与世界坐标系可以进行精准的转换,为实际验证本文3D车辆目标检测与跟踪算法提供了数据支撑。（2）建立双目自注意力蒸馏3D车辆目标检测网络（Stereo Self-Attention-Distillation Net,SSnet）。首先提出损失自注意力辅助网络（Loss Self-Attention net,LSAnet）辅助立体匹配算法PSMnet进行优化,并改进了立体匹配代价卷结构,获取更高质量的场景深度信息;再将立体匹配算法获得的场景深度信息引入RTM3D中实现了双目3D目标检测算法SSnet;最后使用自注意力蒸馏策略在不增加计算量的前提下增强了网络前后特征的一致性。将改进的SSnet在KITTI3D目标检测数据集上进行验证,对简单、中等、困难车辆目标检测的准确率分别提高至80.05%、70.79%、66.04%。经过本地数据集的验证,算法较改进前可以准确识别出遮挡车辆和远距离车辆,为后续进行稳定的3D车辆目标跟踪提供了良好的基础。（3）提出SSnet和卡尔曼滤波算法结合的3D车辆跟踪方法。将SSnet检测结果引入卡尔曼滤波器进行多目标跟踪;设计新生和消亡阈值,在一定程度上克服了因检测算法漏检、误检导致跟踪不稳定的问题。在KITTI目标跟踪公开数据集进行了验证,将多目标跟踪准确率提高至81.14%。在本地数据集上进行了验证,本文算法能够在真实场景下准确、稳定的跟踪车辆目标,并可根据车辆真实位置的变化准确描绘出行进轨迹,通过车辆角度的变化判断车辆的转向信息。