车辆的检测和跟踪对提高城市智能化的交通管理水平,解决交通场景中因道路拥挤、车速过快、车距过近造成的安全问题,实施交通违法逃逸控制具有重要研究意义。因此对视频车辆进行稳定的检测跟踪,及时提取更具价值的交通参数信息,可以合理规划交通安全出行。针对现阶段因目标遮挡、天气等因素造成的远距离目标漏检和误识别现象,本文基于监控视频图像对交通场景中车辆检测跟踪算法进行了改进研究,主要研究内容如下:（1）采用基于改进的YOLOv5主流框架进行目标车辆检测。首先,针对YOLOv5检测算法中存在的小目标漏检和误识别现象,提出了YOLOv5+Regnet的新型网络架构,通过在Focus网络层增加Regnet结构来增强整个网络特征信息提取的能力,同时引入尺度自适应和数据集扩充来减少检测框的抖动和目标误识别问题;其次,针对使用Regnet网络后出现的模型参数过多,而导致模型训练反向传播出现大量冗余问题,采用PPQ量化对训练后的模型进行压缩;最后,对整个网络进行损失函数调优,有效地降低训练过程中容易出现的过拟合和欠拟合的问题。经上述改进,车辆检测模型的m AP＿0.5和m AP＿0.5:0.95指标分别提升到98.43%和94.31%。（2）采用基于改进的DeepSort算法进行目标车辆跟踪。首先,针对现有算法对目标外观特征提取能力较差问题,提出了Darknet53+Deep Sort跟踪算法,即在Deep Sort算法基础上联合Darknet53来进行下采样,获取更深层次的特征信息,提高目标特征的收敛速度;其次,在上采样和特征融合过程中,结合YOLOv5算法切片操作增大感受野获得更多预测框信息;最后,采用非极大值抑制方法,尽量抑制重复产生的检测框,提升跟踪算法的准确率。（3）采用ONNX开源模型转化和NCNN推理框架进行模型部署。为了使目标的检测跟踪真正的适用于现实场景,引入转换模型框架对YOLOv5和Deep Sort跟踪算法进行整套工程业务的迁移,为后续移动设备使用和开发板部署做好工作基础。综上所述,本文围绕交通场景下车辆的检测跟踪算法进行大量研究,并将改进后的算法与原算法进行详细对比。实验表明本文提出的改进算法更适宜交通场景下的目标检测和跟踪,且对交通的智能化管理具有一定的参考价值。