近年来,随着人工智能技术的发展,学术界和工业界对智能汽车辅助驾驶系统展开了大量的研究。行人作为道路环境中最常见的对象,对行人进行检测与跟踪也是智能辅助驾驶系统环境感知技术中不可或缺的一部分。复杂交通场景下行人目标检测与跟踪面临着目标遮挡、目标新旧交替出现、目标运动带来形变等情况及跟踪背景复杂多变等问题,简单、高效的多目标跟踪算法可实现在交通场景中特别是行人、车辆等关键目标信息的准确感知,从而作出正确的行车预判,才能更好地保障道路交通的行车安全。基于单阶段目标检测方法和DeepSORT目标跟踪方法,以复杂交通场景下行人为研究对象,重点开展了基于深度学习的行人检测和跟踪方法等研究工作。（1）针对交通场景中行人检测算法对行人漏检和误检问题,从基于锚框和无锚框检测角度,分析了基于无锚框机制的行人检测算法的高效性。在Centernet模型中分别采用Res Net18和DLANet34骨干网,分别将该网络上采样的普通卷积替换为可变形卷积,使网络具有更灵活地提取行人特征的能力;从加强对重点区域脆弱道路行人特征提取角度出发,分别在Res Net18残差块与上采样之间、DLANet34检测头之前引入空间注意力和通道注意力,增强特征图在空间与通道维度上具有与行人目标的相关性;所提出的算法在数据集Pascal VOC2007行人类精度值、平均精度值等指标方面表现优秀,在BDD100K数据集据集上测试性能也良好。（2）提出了基于DeepSORT框架的多特征分层数据关联方法。首先,针对行人无规律行走、相机和汽车不规则运动导致的目标出现漂移、噪点和目标相似等问题,在DeepSORT框架的行人外观特征提取模块中,加入宽残差网络,在交叉熵损失函数中融合中心损失函数,提升了行人深度表观特征提取能力,在行人重识别Market1501数据集中离线训练出鲁棒性高的行人外观特征模型,解决不同行人目标相似度高造成的行人表观特征匹配度差的问题。其次在DeepSORT跟踪的数据关联阶段,采用分层关联策略,首先单层关联除去误检目标的干扰,在二次关联时通过设计目标大小尺度特征分类组合方式,最后,根据分层数据关联结果更新行人轨迹状态。该方法在MOT17数据集上的MOTA、IDF1、IDS、MT、ML等指标方面表现优秀,实验结果表明本文改进方法可以有效跟踪交通场景下的密集行人。（3）开展了基于Centernet的行人检测与基于DeepSORT的行人跟踪联合实验。联合改进后的Centernet与DeepSORT算法实现目标跟踪,在正常驾驶道路上使用快速运动相机拍摄的实时道路场景视频进行泛化实验,通过多维度性能的对比证明,该算法较好地实现了对于实际道路环境视频中的行人跟踪。