计算机视觉是计算机科学中的一门综合性学科,涵盖多领域的知识,通过计算机及其视频设备代替大脑和人的视觉系统,让计算机自主完成对图像或视频的分析和理解。目标检测与跟踪是计算机视觉领域极其重要的研究方向,在人工智能发展中也发挥着不可替代的作用。随着计算机相关技术的不断革新,以及人工智能算法的不断深入研究,目标检测与跟踪技术在智慧交通、智能安防、军事和医疗等方面的应用越来越广泛。本文提出了一种基于深度学习的车辆行人检测跟踪算法,以交通道路上的车辆行人为研究目标,采用改进的YOLOv3算法进行快速检测,在卡尔曼滤波算法的框架下,结合多尺度融合模型和匈牙利算法实现对运动车辆与行人较为准确连续的跟踪。本文的主要工作如下:（1）基于改进YOLOv3的车辆行人检测算法研究。对目前主流的两类基于深度学习的目标检测算法进行研究,并针对YOLOv3算法在目标密集型场景下检测效果不好,对小目标识别性差的问题,对YOLOv3算法进行改进,调整Darknet-53网络结构,增加一个特征尺度,并根据采用的数据集重新计算了先验值,将改进后的YOLOv3算法应用于交通道路上的车辆行人检测,有效提升了对不同尺度的车辆行人目标的检测性能。（2）基于卡尔曼滤波的车辆行人动态跟踪算法研究。利用改进YOLOv3算法对实时视频序列中的车辆行人进行检测,然后利用马氏距离、余弦距离和空间距离的融合模型将检测到的目标对象与其运动轨迹关联起来,再由匈牙利算法完成对目标对象与对应跟踪轨迹的匹配,最后使用卡尔曼滤波跟踪算法,通过匹配结果来修正跟踪预测结果,实现对车辆行人快速、准确、连续的跟踪。为了验证跟踪算法的综合效果,本文设计了基于履带机器人的智能交通视频监测系统,对交通道路上的行人和车辆进行检测和跟踪,以便于对路况实时分析。