随着社会智能化程度的提高,计算机视觉领域实现的功能在生产生活中发挥越来越重要的作用。目标检测与跟踪技术作为计算机视觉领域最重要且基础的技术之一,在工业、农业、商业和军事等方面具有广泛地应用,使工作人员在生产生活中的劳动强度大幅度降低,提高工作效率。本文针对因目标形变、遮挡、模糊、背景干扰、尺度变化等因素导致真实生产生活场景较为复杂从而影响目标检测与跟踪性能的问题,分析了几种常用的目标检测与跟踪算法,深入研究了常用目标检测算法Faster R-CNN和目标跟踪算法Staple,对其不足之处进行优化提出相应的改进算法。具体工作如下:(1)针对Faster R-CNN算法使用Vgg16网络存在的梯度弥散和消失问题,引入梯度不等于0的深度残差网络以优化Faster R-CNN训练过程,充分利用卷积神经网络提取特征的功能,使Faster R-CNN算法随着网络深度和训练次数的增加性能逐渐提高。(2)针对Faster R-CNN算法使用网络微调导致算法预测框定位不准的问题,优化Faster R-CNN算法训练过程回归计算部分,使用计算网络锚框与标定位置的偏移量,利用二者的交并比IOU计算回归;同时优化Faster R-CNN算法的能量损失函数,在能量函数加入标注样本的区域候选网络类别损失,区域候选网络边界框损失,回归网络类别损失和回归网络边界框损失。(3)针对Staple算法模板模型使用HOG算子仅能表达视频帧的灰度特征,提出使用FHOG特征增强模板模型的特征表达能力,FHOG算子不仅能表达含有颜色信息的高维特征,而且表达对梯度的方向敏感特征;针对Staple算法直方图模型使用颜色统计模型存在时间复杂度高的问题,提出使用易于分辨且适合滤波器模型的颜色名特征以强化颜色特征表达能力。(4)针对基于相关滤波器模型难以应对亮度变化,形变,模糊等属性视频中出现梯度特征不明显的现象,视频帧的目标和背景之间的混叠效应较为明显,模板和直方图模型难以分辨边缘特征,提出基于背景感知特征的相关滤波器模型,并使用交叉方向乘子法进行求解。(5)针对Staple算法使用固定权值的线性融合方法,导致跟踪过程中不断积累模型误差,提出一种基于最大相应峰值和平均峰值相关能量的自适应融合模型,有效抑制模型中多响应的现象。