深度卷积神经网络在计算机视觉各个领域都取得了日益提升的突破性进展,然而对于某些特定场景下的应用则仍然存在很多问题,比如隐私安全和硬件代价（包括算法框架中的数据存储和计算成本等）,这些问题都对深度卷积神经网络在实际场景中的应用落地起到阻碍作用。在多目标检测领域,大量应用RGB数据的监控算法在光照不好的情况下性能会下降,同时还存在隐私泄漏风险。因此我们选择利用Depth图像进行研究,一方面可以更好地避免光照和天气变化等外部条件的影响,另一方面Depth图像只获取人体目标的外部深度特征,不会暴露面部容貌等信息,因而在越来越重视隐私保护的今天,更容易被大家所接受。除此之外,在如今这个万物进行移动端和微服务方向发展的趋势下,如何利用移动电子产品和端侧智能芯片有限的硬件资源进行算法的移植应用,也是一个重要的研究领域,所以我们采用模型轻量化的方式进行模型参数计算过程的优化,并且在算法部署到硬件开发板的过程中通过Tensor RT量化的方式进一步优化,使得整个监测系统可以平稳地运行在移动端开发板上。针对这些问题,本文在总结和评估现有各种多目标检测算法和追踪算法优缺点的基础上,着重研究采用Depth图像带来的优势及关键技术突破,而后对整个模型进行轻量化研究和量化加速,最终成功部署在硬件设备上。本文的研究内容和主要贡献如下:（1）提出了一种基于Depth图像特征的多人检测卷积神经网络。该算法只使用Depth图像特征,利用不同个体间外部轮廓的深度特征差异来进行目标检测任务,Depth图像不会受外部光照、温度等变化影响,在阴暗环境下依旧可以不受影响地完成既定任务,从而避免了RGB图像存在的受外部环境影响大的问题。而且TOF图像传感器所获得数据是单通道图像,只具有图像内部各视点距传感器的深度信息,很好地保护了监控目标群体的隐私。经多个数据集和现场验证,该算法可以出色地完成多人检测任务,且具有很高的鲁棒性和普适性。（2）提出了一种基于Depth图像特征的实时多目标追踪算法。想要完成实时监测任务,在通过多目标检测获得检测目标的位置信息后,需要利用实时多目标追踪算法来将轨迹与检测进行关联匹配。本文在研究过程中利用顶部视角的Depth图像来避免多物体之间的遮挡情况,可以减少原追踪算法中外观模型比对过程对匹配结果判定的影响,从而减少部分计算过程而不影响结果的正确性。并充分利用Depth图像单通道数据的优势,在实时多目标追踪算法中进一步降低整体算法的计算量,更好地完成了整个监测系统的研究设计。（3）为解决深度卷积神经网络算法所需的硬件存储资源和算力要求高的难题,本文进一步研究了一系列网络优化加速的方法。在完成不同轻量化方法对于Depth图像特征的适用性和高效性进行比较的基础上,选取其中的最佳方案进行深入研究设计,应用于本文提出的多人检测卷积神经网络中,更进一步采用INT8量化方案解决算法在硬件平台上的加速问题,最终将整个多目标实时监测系统成功部署到Nvidia Jetson Xavier开发板上,完成整个实时监测系统的开发。