计算机视觉作为人工智能领域的核心问题之一,已经在智能感知,无人驾驶,医疗诊断和军事边防等领域广泛应用。图像和视频的质量是影响计算机视觉算法准确率的重要因素,在现有的单目成像系统下大视场和高分辨率细节之间存在难以调和的矛盾,计算机视觉算法因此难以同时达成大范围的检测识别和高精度的检测识别。受到光学透镜成像的衍射和色差等问题的限制,单目相机难以实现大视场亿级像素超高分辨率视频的捕获。因此,基于多相机组合的阵列相机被提出用于大视场超高分辨率视频的合成。传统的阵列相机系统使用视野有重叠的多个相机覆盖大视场视野,需要对所有相机捕获的图像进行匹配和拼接处理,计算量大、效率低导致实用性较差。本文针对现有阵列相机解决方案的局限性,研究并实现一种多尺度非结构化阵列相机的超高分辨率视频合成算法,该算法能自由组合使用多种尺度的相机合成超高分辨率视频,赋予图像传感器阵列场景内容自适应的能力。通过多尺度场景内容关联机制,解决现有的结构化阵列相机硬件成本高、运算复杂和实用性差的问题,实现非结构化阵列相机系统高鲁棒、易标定和可扩展的特性。本文的主要工作如下:（1）针对单目相机在光学成像设计上的瓶颈和结构化阵列相机硬件成本高、图像合成运算复杂的问题,基于视觉信号非同分布性原理,提出一种多尺度非结构化阵列相机的系统结构设计和亿级像素视频合成算法。该系统可以自由地组合使用不同焦距的相机用以合成超高分辨率视频。使用基于SURF的图像匹配方法定位局部相机的位置并计算所有相机的尺度比例关系。使用二次特征提取与视角校正算法实时嵌入合成超高分辨率视频。使用亮度均衡算法用于解决不同相机捕获的图像亮度不一致的问题。实验结果表明,该系统可以实时合成亿级像素的视频,并兼具灵活性和鲁棒性。（2）针对手工设计特征的图像特征点提取算法在真实世界图像上鲁棒性和泛化性较差的问题,利用基于大数据驱动的Super Point网络模型进行高性能的图像特征点提取,并简化阵列相机图像嵌入合成流程,提升阵列相机合成视频的速度。针对Super Point网络模型运算量大的问题,使用深度可分离卷积网络代替传统卷积网络,降低网络模型的参数量和运算量;针对阵列相机的图像特点,优化网络模型训练参数;针对阵列相机的应用场景,使用真实世界高分辨图像对网络模型进行迁移训练。实验结果表明,提出的优化算法在保持特征点提取性能的同时将检测速度提升40%,简化的阵列相机图像嵌入合成算法能够更高效地合成超高分辨率视频。同时,使用手机和相机合成超高分辨率视频,实验结果表明本文提出的基于Super Point的大视场超高分辨率视频合成算法在真实场景下具有实用性和鲁棒性。（3）面向城市道路场景研究车辆轨迹跟踪算法,使用道路环境车辆数据集训练Yolov5s车辆检测模型,并结合Deep Sort目标跟踪算法实现车辆轨迹跟踪。针对远距离图像捕获时图像受雾霾干扰严重的问题,提出使用基于暗通道先验原理的图像去雾算法重建清晰图像。针对Deep Sort算法中基于残差网络的目标图像特征提取器无法获取图像全尺度特征的问题,提出使用OSNet网络模型替代残差网络模型。同时,设计了超高分辨率视频的播放功能。在真实城市道路场景下的实验结果表明本文提出的基于Yolov5s车辆检测模型+改进的Deep Sort算法能够有效地用于超高分辨率视频的车辆行驶轨迹跟踪。