近年来,全国机动车数量大幅增加导致了道路情况越来越复杂化。完善交通监测系统对保障道路安全具有重要的意义,而车辆检测和跟踪是交通监测的重要组成部分。相比于地面监测机制,空中监测机制覆盖范围更加广泛,可以获得更多的道路信息。此外,车辆通常以任意方向出现,使得传统基于水平包围框的目标检测方法不能有效识别车辆信息。因此,本文主要围绕基于旋转包围框的航拍车辆检测和跟踪展开研究。随着深度学习的发展,基于卷积神经网络的目标检测方法成为了目标检测领域的主流。本文研究了近年来主流的几种目标检测网络,并比较了它们在公开遥感数据集DOTA上的检测效果,分析了将Faster R-CNN应用于航拍车辆检测的可能性。对于航拍车辆检测问题,本文选用UCAS-AOD航拍数据集进行网络训练和测试,并利用数据增强对该数据集进行样本扩充。本文首先在Faster R-CNN目标检测网络上进行了旋转锚框设计、IOU计算及ROI Pooling结构的改变,构建了车辆旋转目标检测网络,实现了对航拍车辆的旋转包围框检测。然后,为提高车辆目标检测精度,利用深层卷积神经网络ResNet网络和MobileNetV2网络替换原基础特征提取网络。实验结果表明,相比于原网络模型,替换后的两种网络模型的检测精度都有所提升。通过实验对比分析,本文选择检测效果更好的基于ResNet的网络模型进行后续改进。最后,针对背景误判和车辆漏检的问题,利用注意力机制和多尺度特征融合进一步改进网络模型,使得车辆检测结果更加准确。对于航拍车辆跟踪问题,本文首先利用训练好的车辆旋转目标检测网络与SORT多目标跟踪算法结合,实现了航拍视频中的车辆多目标跟踪。然后,针对同一车辆目标转弯后ID切换的问题,提出了基于运动信息与深层特征信息相结合的数据关联再匹配。改进后的算法首先利用车辆检测网络对视频帧进行检测识别得到车辆目标的旋转包围框信息及深层特征向量,并利用卡尔曼滤波器对车辆目标的旋转包围框进行预测。然后,利用匈牙利算法进行IOU数据关联匹配,并利用提出的数据关联再匹配对首次配对失败的车辆检测结果与跟踪器进行二次匹配。最后,得到车辆跟踪结果。实验结果表明,改进后的多目标跟踪算法可以在实现车辆跟踪的基础上很好的解决转弯后ID切换的问题。