目标检测与跟踪是计算机视觉领域中一个热点课题，在交通情况监控、室内安全防护、公共安全预警等领域的应用极其广泛，该课题研究需要结合图像处理和模式识别相关知识。传统的检测与跟踪算法使用人工特征提取方法获取目标特征，但是由于实际应用中存在背景环境的复杂多变以及动态背景情况，上述算法存在诸多不足，极大限制了应用范围。　　本文基于国内外目标检测与跟踪领域的研究现状，总结了目标检测与跟踪算法框架模型，针对传统目标检测与跟踪算法准确率低、鲁棒性较差的缺点，提出了一种基于深度神经网络的目标检测与跟踪方法。同时为了解决现有卷积神经网络目标检测与跟踪算法存在网络模型过于复杂以及训练时间长的缺陷，本文利用卷积神经网络和自编码神经网络，将目标检测和跟踪任务分为相互联系的两大步骤：　　(1)前景目标区域提取。　　(2)前景目标识别与分类。在前景目标区域提取过程中，本文基于自编码神经网络提出一种目标区域提取网络，通过上述网络结构对视频序列中的每帧图像中的前景目标进行分割，得到一系列比较宽泛的前景目标区域。　　而在前景目标识别与分类阶段，本文基于卷积神经网络结构和空间金字塔采样方法提出一种目标检测与跟踪方法，对(1)步骤中提取的目标区域利用已经训练好的网络模型进行分类识别，将目标检测与跟踪任务转换为目标分类识别任务，最终得到输入图像数据的前景目标的检测与跟踪结果。　　为了验证本文所述算法的可行性和算法性能，本文使用斯坦福大学SBD数据集以及部分互联网数据作为训练数据集和测试数据集，通过人工标注前景目标，统计本文方法以及传统目标检测算法的检测结果，并且根据应用需求不同分别采用基于分类器评价标准和基于检测效果评价标准，对前景目标区域提取效果和前景目标识别与分类结果进行评价，可以得到本文算法相对于传统目标检测算法较大幅度提高了检测精度并且增强了系统的鲁棒性。而相对于现有卷积神经网络目标检测与跟踪算法大幅度缩减了模型训练时间，降低了系统的硬件环境要求，提高了系统运行速度，可以满足大部分应用场景对实时性的要求。