目标检测与跟踪是计算机视觉领域的重要研究内容，本文基于YOLO和相关滤波算法，针对小目标检测和目标存在遮挡、形变、尺度变换及环境存在光照变化等复杂情况下跟踪方法进行了研究，主要研究内容包括：
　　针对环境中存在小目标时，YOLO算法存在的目标检测精度下降的问题，提出了一种改进YOLO算法。算法对传统YOLO算法从坐标定位和目标类别判定两个方面提出对损失函数改进的计算方法，前者是提出了基于相对误差的边界框宽高预测损失函数计算方法，即使目标再小，在回归计算中也能得到足够重视，改善了YOLO算法对小目标检测率低的不足；后者是提出了基于直觉模糊数的目标类别预测的损失函数计算方法，利用直觉模糊数来代替损失函数中的概率，可对卷积网络得出的特征信息全面利用，有效提高了目标检测的准确性。实验结果表明了所提算法的合理性和有效性。
　　针对环境中存在目标遮挡和光照变化时目标跟踪性能下降的问题，提出了一种融合运动信息检测的改进KCF跟踪算法。首先利用运动信息，基于光流法和帧间差分法预测目标存在的可能区域，以缩小搜索范围，提高算法速度。然后，在传统KCF算法的基础上，根据模型更新策略中学习率与响应图峰值的非线性关系，构造抛物型学习率曲线实现对模型的自适应更新，保证了算法的跟踪精度，实验结果验证了改进算法的有效性。
　　针对目标存在尺度变化和形变等复杂情况，提出了一种基于 Radon 变换的尺度变化 KCF跟踪算法。首先，利用Radon变换具有的对噪声不敏感及矩平移伸缩不变性，通过矩特征匹配度峰值确定最优的目标尺度。然后在此基础上，采用所提的在线模型更新策略，构建了基于Radon变换的尺度自适应KCF跟踪算法，相关视频跟踪实验结果验证了所提方法的有效性。