近年来,伴随着人工智能和自动驾驶技术的兴起,计算机视觉,尤其是目标跟踪技术结合机器人或无人车的研究愈发火热。目前,目标跟踪算法需要应用落地,而基于深度学习的神经网络模型通常过于臃肿,移动机器人在导航过程中仍然存在着在动态环境下导航路径频繁变化等问题。本文针对移动机器人的智能化应用场景,对基于深度学习的单目标和多目标跟踪模型应用展开研究,主要工作如下:1)本文设计了一套基于单目标跟踪Siam RPN网络模型和真实智能小车平台的特定目标跟踪系统,利用跟踪目标的置信分数进行跟踪判定,然后使用Pure pursuit算法通过目标边界框的中心点像素坐标计算转向角,最后利用信息包远程方法调用（Message Pack Remote Procedure Call,MPRPC）和rostopic节点间通信的方式,实现上层认知系统与小车底盘执行器之间的通信连接,进而控制小车行进的线速度和角速度。系统具有良好的框架可复用性和特定目标追踪跟随能力。2)为了提高多目标跟踪网络的帧处理速度,在研究分析网络轻量化方法和多目标跟踪的深度亲和力网络（Deep Affinity Network,DAN）后,本文利用Mobile Nets的深度可分离卷积模块,提出了一种针对于深层的连续多层卷积网络的权衡分组策略,并应用于深度亲和力网络,实现模型轻量化。由此提出了快速深度亲和力网络（Faster Deep Affinity Network,FDAN）,相较于原DAN网络实现了接近20%的帧处理速率提升,且在官方服务器上验证了模型精度和准确率,甚至在一些指标上有了一定的提升。3)为了解决移动机器人在动态环境的导航过程中遇到穿行的行人,容易做不必要的导航线变换,重复计算的问题。本文对基于多目标跟踪行人轨迹预测的移动机器人预见性导航方法进行了探索性研究,提出了一套移动机器人预见性导航方法。该方法利用在线多目标跟踪模块实时采集行人的历史轨迹数据,输入到自回归移动平均（Auto-Regressive Moving Average,ARMA）模型中,通过ARMA模型推理计算预测未来轨迹点,将未来轨迹点以障碍物点的形式添加到局部代价地图中,周期性更新到导航系统上,使机器人能够提早规划好导航路径,实现移动机器人的预见性导航。实验在真实场景下基于智能小车平台进行测试,测试结果表明本方法具有的预见性导航功能。