视频目标检测与跟踪作为计算机视觉中的基础问题,已被广泛应用于视频监控、无人驾驶、增强现实等实际场景中。然而,由于实际场景的复杂性,视频中的目标往往会受到遮挡、模糊、相机失焦等问题的影响。这些问题使得视频目标检测与跟踪方法在实际应用中存在一定的局限性。与图像不同,视频包含丰富的时空（Spatial-Temporal）信息。通过充分挖掘视频中丰富的时空信息,可以有效提高视频目标检测与跟踪的精度。鉴于此,本文提出基于时空信息挖掘的视频目标检测方法和目标跟踪方法,具体如下:（1）提出一种基于双重语义融合的视频目标检测方法。该方法通过充分挖掘并利用视频中丰富的时空信息,来优化视频中每一帧的目标检测效果。具体而言,本文首先提出一种双重语义融合网络,该网络通过同时融合帧级别和实例级别的特征,能够有效增强视频中目标的特征。此外,本文提出一种新的几何度量,以有效缓解融合过程中由于噪声而造成的信息失真问题。实验结果表明,所提出的方法能取得优异的视频目标检测结果。（2）提出一种基于正样本生成以及梯度感知学习的视觉目标跟踪方法。针对在线视频中由于目标样本有限而造成跟踪方法泛化性差的问题,本文提出一种正样本生成算法。该算法通过估计正样本的分布来挖掘视频中目标的时空信息,然后根据这些时空信息来生成多样的在线训练正样本。此外,本文提出一种梯度敏感损失,来缓解生成的正样本以及在跟踪过程中采集的样本中存在的简单样本和困难样本之间不平衡的问题。基于所提出的正样本生成算法和梯度敏感损失,本文进而提出一种基于正样本生成以及梯度感知学习的视觉目标跟踪方法。该方法在目标跟踪的多个基准数据集上均取得了优异的跟踪结果。