基于视觉的环境感知技术被应用于日常生活中的各个方面,具有重要的研究价值与现实意义。伴随着应用场景的复杂化,目标识别与跟踪等环境感知能力也要相应满足更高要求。但现存目标识别与跟踪技术在室内遮挡与室外开放等场景的精度及速度尚不能满足实际需求,无法出色地完成环境感知任务。本文利用深度卷积网络技术对武装人员及枪械等动态武装目标的识别与跟踪算法展开研究,提高视觉感知算法在实际场景应用中的有效性及鲁棒性,主要研究内容如下:首先,针对Pistols、OP-Weapons等武装目标数据集存在环境简单、视角及种类单一等问题,构建一个包含复杂环境与多视角特征的武装目标数据集。针对相似特征干扰导致的漏检及误检问题,研究一种细粒度特征提取方法与特征金字塔技术相结合的目标识别算法,采用具有残差结构的Darknet-53网络实现精细化的特征提取,并基于特征金字塔思想设计多层次特征融合策略,实现单相机下对武装人员与枪械等目标进行准确识别。其次,针对单相机的视野范围局限问题,设计一种基于时空约束的多相机多目标跟踪算法。针对目标间长时间遮挡而发生误检及漏检问题,通过复杂的状态空间匹配机制与时序信息辅助约束方法,完成对目标轨迹的匹配任务;针对相似特征干扰对数据关联精度产生的影响,研究一种空间位置约束项与层次聚类算法相结合的数据关联算法,进一步约束单相机轨迹以提高数据关联精度,完成对武装目标的全域感知。通过与其他主流算法在公开数据集的对比实验结果验证该算法的有效性。最后,将动态武装目标识别与跟踪算法在不同的实际场景中进行测试,以验证算法的有效性及泛化性。