近年来,随着人工智能技术的快速发展,无人驾驶汽车成为研究热点,将成为未来汽车行业的发展趋势。无人驾驶汽车的关键技术就是车辆对于道路环境的感知,利用感知信息下达正确的行车指令,从而保障行车的安全性。行人作为道路环境中最常见的对象,对于行人的检测与跟踪在无人驾驶技术中起到不可或缺的作用,因此对行人检测与跟踪算法的研究是及其重要的。本文搭建了行人检测与行人跟踪两个框架,在车速为40Km/h时,通过高速运动摄相机在道路上拍摄实时道路场景作为测试样本,验证本文行人检测与跟踪算法的有效性。本文的研究工作将围绕行人检测与行人跟踪两个方面展开:在行人检测方面,提出了基于tiny-YOLOv3网络改进的行人检测算法。对行人训练集使用k-means聚类,获得最优的候选框尺寸和个数;对tiny-YOLOv3的网络结构进行改进,提高了网络提取行人特征的能力。本文提出的算法在保证较高检测精度的前提下,提高了检测速度。在行人跟踪方面,提出了基于数据关联的多行人跟踪算法。首先,基于卡尔曼滤波算法搭建了跟踪框架;然后,将IOU距离作为评价矩阵,利用匈牙利匹配算法进行轨迹匹配;使用宽残差网络提取行人深度外观特征,进行二次匹配,用于解决行人目标由于遮挡造成的目标消失问题。该算法在行人被遮挡时,表现出比其他算法更好的效果。经过实验验证,本文提出的算法,对于实时拍摄的道路环境视频具有良好的准确性与实时性,在一定程度上能够满足无人车的需求。