在智能视频检测系统中,目标车辆的正确识别并跟踪是智能交通系统的主要功能,在机器学习框架下,作为视频监控中最基础的部分——目标检测与跟踪。将目标跟踪问题视为机器学习中的二分类问题,通过机器学习找到合适的特征以及恰当的分类模式,进而实现对目标的高效跟踪。目标跟踪存在几种主要问题:场景中运动目标对跟踪目标产生干扰、相近目标之间遮挡、自身阴影以及目标的姿态变化,都会对目标的正确跟踪产生较大的影响。针对以上问题,引入机器学习手段,通过对传统算法改进,提高目标跟踪的实时性,准确度和鲁棒性,本论文根据已有算法的优缺点,以提高目标跟踪算法综合性能为目的。主要的研究工作包括两方面:设计并实现两种算法,一是利用图模型——三角剖分方法对输入图像划分网格,将目标与背景分离,提取出的目标角点能量特征,将特征向量化作为改进SVM分类器正负样本,根据分类结果学习最优的分类器参数,实现目标跟踪。二是基于深度学习理论,构建深度自编码学习网络,将目标车辆像素级别特征聚合成为结构化特征,训练网络以及分类权值,根据后续测试样本进行参数微调以及权值更新,使得复杂条件下并受到遮挡的目标跟踪正确率有效提升。