高速公路隧道内行人目标的正确检测和跟踪对高速公路安全有着重要意义。由于隧道内光照、摄像头架设等原因,使得监控视频图像模糊,行人目标相对尺寸较小且容易受到遮挡,使得传统方法无法对行人目标进行有效的检测和跟踪。深度学习模型由于其良好的特征提取和表达能力,在行人检测和跟踪领域取得了不错的效果,但针对复杂的隧道环境难以发挥其良好的特征提取能力。因此研究基于深度学习隧道环境下的行人目标检测和跟踪算法有着重要的理论和现实意义。鉴于两阶段目标检测算法有较高的检测精度,论文以Faster R-CNN目标检测算法为基础,针对Faster R-CNN隧道环境下行人目标检测效果不佳提出两种优化方案,一种方案是将Faster R-CNN特征提取层中低层信息添加到高层信息中,增加高层特征信息;另一种方案是借鉴PSPNet算法中池化金子塔模块思想,并添加注意力机制,增强Faster R-CNN算法的上下文信息。针对行人跟踪过程中遮挡问题,提出将卡尔曼滤波和行人重识别算法相结合的方法。本文的主要工作和贡献如下:（1）针对Faster R-CNN算法在隧道环境下对低分辨行人目标检测效果不佳问题,将Faster R-CNN算法中的特征提取层的低层网络信息添加到高层网络中,增加了高层网络中的特征信息,提高了Faster R-CNN算法行人目标检测精度。（2）针对Faster R-CNN算法对于行人目标特征提取能力不足的问题,设计了空洞金字塔结构,增加网络中上下文信息,提高网络对于行人目标的特征提取能力,同时针对Faster R-CNN增加空洞金字塔结构后造成的特征信息分散,增加改进注意力机制。通过在Faster R-CNN算法中添加空洞金子塔模块和注意力机制模块,增强了网络特征提取能力,提高了行人目标的检测精度。（3）针对卡尔曼滤波在行人目标跟踪过程中因目标受到遮挡导致目标丢失情况,本文将具有行人目标特征提取和特征信息匹配于一体的行人重识别算法引入,提出卡尔曼预测和行人重识别相结合的方法对行人目标进行跟踪。实验证明该方法能够有效提高隧道环境下的行人目标跟踪效果。综合上述,形成了一套适用于隧道环境下行人检测和跟踪方法,采集重庆高速公路隧道监控视频制作数据集,对改进的模型进行训练和测试。实验结果表明,本文改进的方法和原始的Faster R-CNN算法以及卡尔曼滤波跟踪相比在检测精度和抗遮挡能力有所提升,在实际高速公路隧道环境中也取得了较好的效果。