智能化无人装备因低成本、高机动性及零伤亡等特点在现代军事和民用领域中都发挥着不可或缺的作用。在无人设备进行人员监控、组织救援等工作时,需要通过智能化的目标追踪系统对采集的视频图像进行传输并利用目标检测与跟踪等深度学习算法模型进行计算分析,为下一步行动提供决策基础,由于无人机、无人车所搭载的硬件设备性能有限,在数据计算量较大时就会因单机算力不足而导致系统无法正常运行,而基于批处理或微批处理的分布式目标追踪系统计算时会产生批处理延迟,无法适用于时效性要求较高的场景中。鉴于此,本文基于分布式流处理技术提出一种视频目标追踪实时计算框架,首先对视频多目标跟踪算法模型进行研究改进,实现视频目标追踪速度与精度的平衡,然后设计并实现视频流数据消息聚合中心,完成视频流数据在集群的分布式传输与存储,接着提出分布式视频流处理策略,从数据输入、处理、模型加载、模型预测等目标追踪计算步骤出发实现深度学习模型在分布式流处理环境下的有效运行,最终实现基于流计算的分布式视频目标实时追踪系统。主要研究内容如下:1.效率改进的多目标追踪算法。为实现视频人体目标的高效追踪,本文对YOLOv4目标检测算法和DeepSORT目标追踪算法进行效率调优,在降低模型计算量的同时提升了追踪的稳定性。通过对两种算法模型的输入输出结构进行有机结合,实现了本文系统搭载的多目标追踪算法,在满足系统精度要求的基础上提升了目标追踪计算效率。2.视频流数据消息聚合中心。为实现分布式流计算环境下视频数据的高效传输存储与计算,本文提出基于Kafka的视频流数据消息聚合中心来完成数据处理与计算的解耦,在数据接收端,对视频数据进行序列化和分区存储策略设计,完成了视频流的分布式存储与传输;在数据消费端,从数据并行角度设计了一种基于视频分段的消费策略,使得系统能够并行化的拉取数据流用于目标追踪实时计算,提高了系统可用性。3.分布式视频流处理策略。为实现目标追踪算法的分布式运行,本文以Flink分布式流处理框架为基础,从数据输入、处理、模型加载、模型预测等目标追踪计算步骤出发,设计并实现了一种目标追踪任务在流计算环境下的处理策略及其对应模块,最终实现了视频目标追踪任务的分布式实时运算。