我国公安机关交通管理部门针对道路上出现的机动车交通安全违法行为还应用传统的人工监管手段,耗时耗力还易出现监管疏漏的问题亟需解决。目前,智能交通系统被广泛应用,基于人工智能、机器视觉等领域的智能交通系统正逐步替代繁琐的人工操作,本文在分析国内外目标检测与跟踪技术的基础上,提出基于深度学习的机动车检测与跟踪算法,并创新性地提出基于深度学习的机动车典型交通安全违法行为识别模型,极大降低了违法行为识别成本,为交通管理部门执法提供依据,主要研究内容如下:首先,分析研究背景及意义,评析目标检测、目标跟踪与违法行为识别技术的研究现状,确定论文研究内容与组织结构,进行相关理论概述。其次,基于改进YOLOv5设计机动车检测算法,利用Ghost Net对YOLOv5主干网络进行轻量化改进,添加SE、CBAM注意力机制模块提升检测准确度,利用预处理的KITTI、UA-DETRAC数据集进行检测训练,构建YOLOv5-Ghost机动车检测算法。再次,基于DeepSort设计机动车跟踪算法,将原算法中的目标检测器替换为YOLOv5-Ghost算法,构建YOLOv5-DeepSort机动车检测与跟踪算法,并利用预处理的Veri-776数据集进行跟踪训练,实现机动车检测与多目标持续跟踪。最后,基于OpenCV设计机动车典型交通安全违法行为识别算法,级联YOLOv5-DeepSort机动车检测与跟踪算法,构建机动车典型交通安全违法行为识别模型,该模型可通过实时路段监控视频或无人机拍摄视频自动识别机动车交通安全违法行为并抽取关键帧进行后台保存,同步录像取证。构建后的YOLOv5-Ghost机动车检测算法m AP为99.8%,Fps为58 f/s,模型大小为48.4MB,与同类型YOLOv5算法相比,提高检测精度的同时也减少了模型比重。调研获取城市道路监控视频以及无人机拍摄视频对该模型识别效果进行验证,实验结果表明,机动车压实线变道违法行为识别率达98.2%;机动车压导流线行驶违法行为识别率达98.7%;机动车违规掉头违法行为识别率达97.9%。该模型能够快速准确地进行机动车检测与典型交通安全违法行为识别工作,有效缓解了视频取证易疏漏、人工成本高等问题,弥补了交通管理领域非现场执法证据不充分的短板,为公安机关交通管理部门监管机动车交通安全违法行为提供了切实可行的管理办法。