目标跟踪技术在各个领域都有很大的发展潜力,其中,车辆目标跟踪是智能交通中至关重要的环节之一,极具重要的研究意义。对于车辆目标跟踪算法,由于现实中存在多种因素影响车辆跟踪的精度,因此基于深度学习类的目标跟踪算法效果更好,但往往伴随着较高的时间复杂度、较大的内存空间占用和较高的算力需求,使算法难以脱离PC机,不利于进一步的实际应用。目前,高性价比的嵌入式平台层出不穷,在低功耗的硬件环境下实现目标跟踪技术已是大势所趋。为了使车辆目标跟踪算法脱离高性能硬件设备,同时又能保持较好的性能,本文进行了如下的研究:（1）目前基于检测的跟踪策略TBD是车辆目标跟踪主要采用的策略。在此基础上,结合城市道路交通环境的特点,本文对YOLOv5s目标检测算法及DeepSORT目标跟踪算法进行了深入的分析和研究。针对YOLOv5s中存在冗余计算量导致空间占用大、检测速度慢的问题,对其进行了一系列改进。首先,通过引入Ghost Net来减少网络的计算量和加快检测速度;其次,融合CBAM注意力机制,改善在各种天气、光照情况下的难以被准确检测到的问题;最后,使用Soft-NMS代替NMS算法,减少了因交通拥堵等情况造成的漏检问题。由在UA-DETRAC数据集上的实验数据对比可知,改进后的YOLOv5s算法保证了较高的平均精度,计算量显著降低,验证了算法改进的效果。（2）DeepSORT算法中原有的检测网络有计算量大、精度偏低的问题。为此,本文提出一种利用改进后的YOLOv5s替换原Faster R-CNN网络的方法来解决这个问题。在特征提取部分,本文提出用轻量化的全尺度特征学习模型OSNet进行车辆目标重识别模型训练,增强特征提取能力,提高跟踪算法整体的准确度。其中,在进行跟踪距离度量时,为了解决交并比IOU计算方法无法对检测框与预测轨迹框之间的重合程度进行有效评判的问题,采用广义交并比GIOU距离度量来代替,以提高跟踪过程中精度。（3）在NVIDIA Jetson TX2设备上完成了车辆跟踪算法的移植,并进行了验证实验。实验结果表明,YOLOv5s+DeepSORT的改进算法能较好地检测和跟踪道路交通场景下的车辆,在TX2平台上也可以保持较好的跟踪效果,验证了本文改进算法应用于嵌入式设备中的可行性。