计算机视觉领域中的目标检测与目标跟踪技术已成为研发热门领域,并广泛应用于交通、医疗与军事等领域,智能化人们的生活。在现实的工程技术应用中,对检测算法有高精确和高实时性的需求,对跟踪算法则有抗遮挡性和尺度变化的要求,所以深入研究目标检测与跟踪技术具有重要的应用价值。本文针对现实工程应用时高速轻量化的算法需求,对比研究分析了检测领域现有的多种算法的检测性能,从中选择、研究和改进了YOLOv4-tiny目标检测算法,并提出一种轻量化的LD＿CFSM检测网络。改进网络选择深度可分离卷积,取代Backbone网络中的普通卷积算法,以降低计算参数量,同时在Backbone网络的有效特征层后引入CBAM注意力机制,更加关注通道与空间两个方面的特征,在轻量化模型的同时保持算法精度。然后选取Focus结构替换主干特征提取网络的第一个卷积模块,进行切片操作汇总原始图像的信息至通道空间,防止特征丢失,使网络更加注重目标轮廓特征的学习。最后,在特征进入网络的Neck部分进行高低维融合之前引入SPP-Net结构,通过排列合并多个不同核大小的最大池化结果,扩大网络的感知区域,加强特征复用,提高了检测精度。并使用旋转和Mosaic增强策略丰富训练数据,提高网络的泛化性,进一步提高检测精度。选取同一特定目标数据集进行的仿真试验表明,本文提出的LD＿CFSM算法在原始算法的基础上,m AP增加了9.67%,模型存储量减少了2/3,经试验及分析证明LD＿CFSM算法的改进机制,在检测精度和存储量方面具有一定的有效性。随着智能技术的联合研究,相关滤波类的跟踪算法以兼具精度和速度的优势而著名,因此选择此类算法中的典型算法KCF进行改进,实现工程需求。本文先是研究KCF跟踪算法的原理,并针对算法缺点做出优化,提出了改进的KCF＿LD跟踪算法。该算法融合多尺度检测以灵活适应目标的尺度变化,通过二维位置滤波器和一维尺度滤波器的联合检测,采用33个不同尺度进行多尺度检测,增加算法的灵敏度,提高跟踪定位的准确性。由于KCF在每帧跟踪结束后都会进行模型更新,使得算法在遮挡场景中的跟踪性能较差,通过引入模型更新可靠性判别机制并结合检测算法,提高算法的抗遮挡性。模型更新的判别依据是跟踪结果响应图APCE指标,当APCE值低于均值时,跟踪停止,使用LD＿CFSM算法开始全局检测确定目标位置,同时依靠检测置信度阈值保证检测的准确性,恢复跟踪任务。经试验验证,本文提出的KCF＿LD跟踪算法相较KCF算法,跟踪精确率提升了3.2%,成功率提高了4.1%,鲁棒性更强。