近些年,深度学习技术在计算机视觉领域取得的突破,使其研究日益受到人们的关注。目前,深度学习的基础——卷积神经网络在实际应用当中还存在着泛化能力差、计算复杂度高等问题。本文针对移动机器人的使用场景,基于深度学习在目标检测和跟踪中的应用展开研究,主要工作如下:针对多尺度目标的检测问题,为提高多尺度目标检测的准确度,本文利用卷积神经网络的多尺度特征研究了一种基于特征转换的多尺度融合方法。首先,针对移动机器人平台算力的限制,本文对原YOLOv3网络Darknet-53网络进行缩减得到YOLOv3-tiny网络,在此基础上采用STDN尺度转换方法对浅层网络进行尺度缩小、深层网络进行尺度放大操作,并在COCO数据集上对检测准确率进行验证,通过交叉编译在Jetson Nano嵌入式平台对实时性进行验证,结果表明本文方法在低算力GPU平台保证了实时性的同时检测精度与原YOLOv3网络相差不大。针对单目标实时长时跟踪问题,为能够同时保证跟踪的准确性与实时性,本文通过将深度学习跟踪算法与传统长时跟踪算法相结合的方式研究了一种在线跟踪算法。首先,本文针对经典长时跟踪算法TLD和实时深度学习跟踪算法GOTURN进行了对比分析,发现两者在优缺点方面形成了互补,在此基础上本文提出结合各自优点的改进算法GOTURN-ld,并引入改进后的YOLOv3网络作为改进算法的检测器,在保证算法实时性的基础上进一步提高算法跟踪的准确度。本文将改进后的跟踪算法应用到移动机器人系统进行室内场景实验,主要对系统总体框架及数据与指令变换方式进行设计。通过在不同光照情况下对移动机器人的测试验证了改进算法的跟踪性能。