随着底层硬件的蓬勃发展,计算机性能不断提升,这为基于大数据拟合的人工智能算法提供了强劲动力。这些算法已经被广泛应用于社会的各个领域,如智能机器设备,从而提高了人们生活和工作的效率。对于我国复杂庞大的交通系统,智慧交通管理系统虽然得到一定的发展,但是仍然存在视频信息获取效率低、速度慢、人工参与度高等不足。因此,在交通管理系统中应用更高效、准确、快速和低成本的人工智能算法,实现系统智能化,这对社会发展具有十分重大的意义。人工智能算法中针对视频的多目标检测和跟踪算法是智能交通系统中重要的一环,可以实现交通场景中目标的定位、识别和跟踪。尽管基于深度学习的多目标检测算法和多目标跟踪算法已经受到学术界广泛的关注,但是目前的研究成果还存在算法开销高昂以及目标相互遮挡和目标消失后重新识别困难等问题,这些问题制约了相关研究的推广应用。针对这些问题,本文提出了两个解决方案:第一,提出基于YOLO框架的轻量化高精度车辆目标检测算法,保障了车辆检测的精度并大幅降低算法开销。第二,提出基于Fair Mot框架的车辆多目标跟踪算法,很好地解决了目标遮挡和目标消失后的重识别问题。上述两方案能部署于低成本的小型计算机设备,更高效快速处理交通视频。针对方案一,本文设计了基于YOLO框架,以Mobile Netv3网络为主干网络,并对下采样和通道注意力机制进行了改进,以精准地提取目标特征并降低不必要的开销。此外,本文还设计了特征金字塔和单阶段无头融合的结构,能够充分利用纵横多尺度信息增强算法对多尺度目标进行检测。最后采用了SIOU作为回归损失和SoftNMS进行冗余框处理,提高了算法的精度。经过设计和改进,本文提出的算法在MS COCO数据集和UA-DETRAC交通监控数据集上得到了显著的实验效果,即模型的参数量和计算量大幅降低了64.98%和57.14%。同时,在MS COCO数据集上,保障了m AP@0.5为58.6%的高精度;在UA-DETRAC交通数据集上,提高了m AP@0.5的指标,达到了70.5%的准确率,相较于原算法提升了3.52%,FPS也提升了14.4%。可见,本文提出的方案一解决了算法高开销低精度的问题。针对方案二,本文基于FairMot框架结合上述方案一,创新地提出了一种多任务检测网络。该检测网络采用可形变卷积融合网络多尺度信息,从而形成重识别任务分支。并在跟踪部分引入了Byte Track中的低置信度再匹配策略来降低算法开销和提高跟踪精度。在UA-DETRAC交通监控数据集上进行实验,结果表明:与原Fair MotDLA34相比,本文提出的改进算法在参数量方面下降了43.05%,FPS提升了10.28%,MOTA提升了0.57%,IDs提升了7.93%。综上,本方案更充分地利用了卷积神经网络从交通监控视频中提取到的特征,以此提高了算法的可靠性和稳定性。本文算法部署在NVIDIA AXIVAR SERIES嵌入式平台上,完成了算法应用验证实验。在UA-DETRAC和自制交通监控场数据集上,未作任何加速的情况下,本文目标检测算法的速度达到15fps,多目标跟踪算法的速度达到3.67fps（相比于Fair Mot提升了55.5%）。这对智慧交通的检测任务和车辆流向判断等任务具有一定的现实意义和应用价值。