随着目标识别与跟踪技术的不断发展,深度学习在目标识别与跟踪领域大放异彩,并广泛应用于各个领域。随着国内外深度学习技术的不断发展,各种算法层出不穷,在目标识别和跟踪领域取得广泛应用。基于深度学习的目标检测与跟踪算法可以快速处理信息,并提取出与目标检测相关的要素进行学习和分类,提高检测效率。随着图像分辨率的不断提高,在算法研究中如何有效提取图像内的细节信息就显得尤为重要,同时也给目标识别与跟踪技术的研究带来新的挑战。论文对已有的目标检测与跟踪算法进行改进,其主要创新点如下:1、针对远距离小目标在图片进行放大和拉伸时造成细节丢失的问题,本文提出了一种改进的Lap SRN重建超分辨率算法,即将双三次插值法引入Lap SRN算法,充分利用了双三次插值法可以有效平滑图像边缘的特点。仿真表明,使用改进的Lap SRN重建超分辨率算法将图像放大2倍时可对图像中的细节部分进行精准还原,从而缓解图像放大时带来的失真。2、针对车辆检测中存在的遮挡和小目标问题,本文对传统YOLOv3算法进行了改进,将第二个残差块的输出进行上采样操作与第三层的下采样输出进行特征融合,将第五层的输出通过两次上采样与第四层进行融合,并加入SPP模块进行多尺度融合。仿真表明,本文设计的改进算法比YOLOv3算法有更好的识别小目标及遮挡目标的能力,可以有效减少漏检现象。3、将改进的YOLOv3算法与目标跟踪Deep-sort算法相结合,即使用改进的YOLOv3算法代替Deep-sort算法中的目标检测算法,使用卡尔曼滤波算法进行预测输出,再用匈牙利算法把预测目标追踪框与检测框进行匹配,最终提高了远距离小目标和遮挡情况下的车辆检测准确度。仿真表明,本文提出的算法成功追踪到的车辆数量有所增加,丢失追踪目标的情况有所改善。