随着大数据时代的到来,计算机硬件能力正不断提升,数据信息的获取也越来越便捷。计算机视觉、自然语言处理和语音识别等技术不断进步,人工智能领域的各种应用也逐渐走进人们的生活。随着人工智能的核心技术——深度学习技术的不断发展,基于深度学习的目标检测和跟踪技术成为计算机视觉领域的热门课题,并广泛应用于智能监控系统和互联网移动端。其中,对于视频的目标检测与跟踪算法一直都是研究的难点和热点,也具有极其重要的科研意义和实践意义。而由于视频应用场景的增多和拍摄设备的不同,视频中会存在背景复杂、目标遮挡、目标比例变化、目标与背景相互干扰和实时性要求等问题。针对以上问题,本文设计了目标长序列检测与跟踪系统,主要研究内容如下:（1）在目标检测模块,本文在研究YOLOv3算法的原理和网络结构优化的基础上,提出基于YOLOv3（NMS）的目标检测模块INYOLOv3,即使用darknet-53网络进行特征提取,使用逻辑回归进行分类预测,并使用改进的非极大值抑制算法处理重叠预选目标框,以达到提升处理预选目标框效率的目的。通过实验验证设计的检测模块对图片和视频的目标检测准确性和实时性良好,能够为后续长序列跟踪系统提供迅速准确的目标检测服务。（2）在目标跟踪模块,本文首先分析了ECO算法的原理,并结合ECO跟踪算法的尺度优化和特征提取特性,提出了新的模型更新策略,减少了错误信息对模型的影响,保证了目标信息的准确性。通过实验对比验证了改进的算法能够减少跟踪漂移问题,跟踪准确性得到提高。其次,本文基于Siam RPN算法,提出改进的跟踪算法,通过优化网络结构,加入区域推荐网络的锚点机制和干扰物感知模型,提升了算法对目标的跟踪性能。并通过扩充训练样本在离线训练阶段增强了算法对目标ROI的分辨能力,提升了跟踪算法对小目标的跟踪效果,也使得算法能很好的适应目标的姿态变化,提升跟踪准确性。（3）最后,为了解决长序列中可能存在的遮挡情况导致的跟踪失败问题,并持续对目标进行跟踪,本文提出重检测机制,结合目标检测与跟踪模块实现了视频目标长序列跟踪系统。在目标丢失后,通过比较丢失前的目标ROI与候选目标ROI相关性判定选取最佳目标位置并继续跟踪,实验验证了对于遮挡情况,系统跟踪的鲁棒性和准确性得到了提升。