行人检测与跟踪作为人工智能的重要底层技术,应用场景广阔,特别是在自动驾驶、服务机器人、视频监控等领域。近年来,随着深度学习浪潮席卷计算机视觉领域,行人检测与跟踪问题的研究取得了快速发展。行人检测方面,出现了许多基于卷积网络的检测算法;行人跟踪方面,深度特征结合相关滤波的思路成为主要研究方向。然而,由于行人所处环境复杂多变、易受到光照变化、尺寸变化、相似背景等因素的影响,准确快速的检测与跟踪行人依然是颇具难度和挑战的研究任务。本学位论文以行人检测与跟踪为主要研究内容,提出了基于SSD(Single Shot Multi-box Detector)的行人检测与跟踪算法。当前基于卷积神经网络的行人检测算法无法兼顾检测质量与检测速度。针对这一问题,本论文提出基于SSD的行人检测算法。在SSD算法的基础上,引入交通场景下行人的先验信息并调整神经网络的连接方式,可有效缓解SSD算法检测小目标时出现的漏检问题。算法首先利用调整后的网络得到初步的行人位置信息与行人特征信息,之后采用AdaBoost(AdaptiveBoosting)算法对行人框做进一步的分类,增强算法对难分辨样例的判别能力。所提出的算法具有较高的检测准确度,在检测速度上有着一定优势。当前行人跟踪的主流研究思路是深度特征结合相关滤波,这类算法存在的问题是,行人特征的提取与滤波器的训练是割裂的,无法充分发挥深度学习框架的整体优势。本学位论文设计出一种新的卷积网络替代相关滤波,将目标行人特征的提取与相关滤波的训练统一到深度学习框架中,使得跟踪算法可以随着目标外观的不断变化做出对应的更新。行人跟踪中时常出现行人相遇、遮挡等情况,会导致跟踪错误的对象。本论文利用主旁瓣比来判断目标是否被遮挡,同时结合目标行人的运动信息来增强跟踪算法的鲁棒性。此外,在本论文提出的行人检测算法的基础上,我们利用行人再识别领域数据集训练的残差网络提取不同行人的特征,结合行人的位置信息和外观信息计算不同行人框的相似度,进而实现行人跟踪。该算法在跟踪处于遮挡状态的行人时,显示出较其他算法更好的效果。