战斗部在高能炸药爆炸作用下,形成大量高速破片,这些破片通过侵彻、射流等方式毁伤目标。通过对战斗部破片进行检测与跟踪,获取破片飞行状态和飞行参数,为战斗部毁伤威力提供重要参数依据。由于战斗部破片具有速度高、尺寸小、数量多等特点,以及靶场试验环境复杂多样,一般的图像处理方法满足不了高速摄影中破片图像处理与测量的需求。因此,研究基于深度学习的破片群目标检测与跟踪具有重要的工程应用价值。论文的主要研究内容及贡献如下:针对破片群小目标多,检测过程中容易出现误检、漏检等问题,提出基于多尺度融合YOLOv4网络的破片目标检测算法。该算法以YOLOv4网络为基础,在原有3个特征图尺度中加入针对小目标敏感的浅层特征图,利用多尺度特征融合在4个尺度上对破片目标进行检测,并与Kmeans++聚类算法相结合,使得到的先验框与破片目标大小相适应,从而提升了破片目标检测精度。经实验验证,改进后的算法较原算法在准确率、召回率、平均识别率等指标上都提升了8%以上。针对破片飞行过程中目标图像的相互遮挡导致图像前后帧之间目标丢失及目标跟踪错误问题,提出基于多特征融合Deep Sort的破片目标跟踪算法。该算法采用候选式匹配方式,通过多特征融合,使用CNN特征与破片目标HOG特征依次进行破片目标匹配。若任一特征匹配成功,则利用卡尔曼滤波及匈牙利算法得到匹配的目标的运动轨迹;若两种特征均不匹配,使用级联匹配进行最后一次匹配,若匹配失败,则认为此目标轨迹为新目标的轨迹。经实验验证,使用多特征融合的Deep Sort跟踪算法的准确度提升6.4%,精确度提升2.8%。通过对破片目标的检测与跟踪结果,完成对破片群的速度、飞散角等参数的计算,推演了破片群的演化过程,为战斗部破片对目标攻击能力的变化提供重要参数依据。通过PYQT搭建破片目标检测与跟踪系统,实现破片目标检测与跟踪的可视化,为战斗部设计及威力和毁伤效能评估提供了一种重要的技术手段。