视频中的行人跟踪与计数是计算机视觉方向的重要研究领域。近期,基于相关滤波（CF）方法在视觉目标跟踪任务上展示出良好的性能。然而,基于相关滤波方法的模型往往面对模型退化问题:当学习率较低时,模型的更新过程跟不上跟踪目标的巨大变化、变形,或者快速移动。而高学习率时,跟踪模型则对于如遮挡干扰不够鲁棒。为了跟踪模型能够有效地应对此类变化,必须确立一个渐进式更新机制。我们使用了一个内插模型利用原有数据中的时空信息来更新跟踪模型。通过对相邻跟踪帧进行运动估计内插,获取的中间响应图,能够合适地拟合学习率,从而有效地减轻与学习率相关的模型退化问题。在KITTI和VOT2017数据集上的测试显示出,本文中提出的跟踪器优于现有的基于相关滤波的模型,提升了跟踪准确率。由于多样的应用场景,鲁棒的人群计数仍然相当困难,且性能远不能满足要求。本文中,我们引入一个弱监督的人群注意力网络,提出了一种新颖鲁棒人群计数方法。本文通过以下方式提高了行人计数准确性和稳健性:1)弱监督人群分割。使用有标签图像的外观特征和相邻无标签帧中提取出的运动特征组合特征,以运动引导区域生长生成的分割标签为指导,实现弱监督人群区域分割。该分割可从复杂背景干扰中精确感知活动人群区域。2)更准确的空间注意力机制。基于活跃人群分割生成空间注意力图,用于重新对外观特征加权以实现基于注意力的密度估计。3)新时间密集标注人群数据集。引入了密集时间注释视频人群数据集,以应对现有人群数据集缺乏丰富运动信息问题。在广泛使用的2010年世博会数据集和本文提出的监测人群视频数据集（SCVD）的评估表明,本文工作可以在准确性和鲁棒性实现最先进性能。