随着深度学习在计算机视觉任务中的逐渐普及,多目标实时检测、模型优化、跨相机追踪等技术在各个领域的应用也愈发广泛。辅助驾驶作为目标检测的首要落地方向,已经成为当下的研究热点。但在某些复杂场景中依然存在一些问题,例如车辆过于密集导致检测的精度过低、模型内存大无法实时推理、跨相机追踪目标易丢失等。基于此,本研究以辅助驾驶为应用场景,对多目标的实时检测模型及优化、跨相机追踪等算法进行设计,实现速度与精度的有效均衡的同时,保持较强的普适性。本文的创新点如下:（1）在辅助驾驶的不同应用场景,例如商业堵塞区、人流高峰区等,容易发生漏检、误检。针对这一现象,本文提出基于Center Net多目标实时检测模型。首先,主干网络增加了CBNet的多融合阶梯级联结构,解决目标检测模型表征能力不足的问题;其次在原高斯核只考虑中心点与边界框距离的基础上,融合目标的长宽比率提出多样标准差,提高模型回归的精准性;最后直接回归函数融合边界框的尺度,加快网络收敛速度。本文结合自采数据与部分COCO数据,对比目前的主流检测算法,提高检测的精准率与召回率至90%,训练时间仅为原训练时间的20%。（2）针对检测模型结构越来越复杂、内存占用逐渐增大这一问题,本文提出基于Center Net多目标检测模型的混合压缩方法剪枝-蒸馏-finetune。残差分支增加注意力机制模块,漏斗分支进行通道剪枝,使用深度可分离思想进一步压缩参数量;引入助手网络、单独学习教师网络与学生网络的差异性;然后采用GHMloss优化匹配代价,加权损失函数提升精度。实验结果表明混合剪枝方法降低了80%的模型参数量,推理速度提升了50%;蒸馏finetune后,模型相比于finetune之前精准率提高了3%,召回率提高了2.8%。（3）为了解决车辆遭受遮挡出现的追踪漂移问题,本文基于siam rpn++提出了一种跨相机的多目标追踪算法。首先基于Mobile Net V2主干网络,提出Split Necks模块构成“多层次的轻量化骨架”,提高模型的学习能力;其次基于BFENet融合车辆外观信息与空间信息,设计IOU约束策略改进跟踪效果,提升赋予新目标ID的准确性。消融实验表明本文提出目标追踪算法MOTA达到89%,运行速度提升了35.7%。