复杂环境下对运动目标的检测与跟踪技术,作为智能交通发展过程中的重要技术之一而备受关注。然而在目前获取的路况视频中其大多数来自于传统固定摄像头,由于其存在灵活度低、安装成本较高等问题,使得所获取的路况视频无法满足复杂环境下运动目标的检测与跟踪。因此本文将无人机技术应用于车辆目标检测与跟踪中,通过无人机来获取路况视频,在此基础上研究运动目标检测跟踪方法。首先根据研究背景及需求对复杂环境进行重新定义,本文研究的复杂环境主要针对天气环境影响其中主要考虑雾霾和雨天两种天气因素以及外界环境遮挡影响。为了更好的获取视频图像中的目标信息,对所采集的受损图像进行图像复原处理,主要包括基于暗通道的图像去雾以及基于引导滤波的图像去雨技术,为后续研究提供最优数据支撑。为了满足在复杂环境的影响下对目标检测准确性及实时性的要求,本文选用基于深度学习的YOLOv5s目标检测算法对地面运动目标进行检测。首先考虑进一步提高算法检测准确性,提出引入压缩-激励模块以提高检测网络对于重要信息的特征提取能力,其次为了使检测网络更好的适应无人机在复杂环境下对小目标的检测精确度,在其颈部网络中引入双锥台特征融合结构,选择包含细节信息较多的浅层特征层进行融合,在不增加模型计算量的同时提高模型检测精确度;替换其损失函数为CIo U Loss在实际使用中能够使得预测时间框更快的收敛,同时获得更快的回归定位与准确性,以便提高其实时性。针对地面运动目标的跟踪问题,提出一种Deep SORT-X目标跟踪算法。首先考虑其跟踪精度,提出采用PHOG（金字塔式梯度方向直方图）提取方法代替传统HOG,以提高跟踪目标的梯度信息表达能力;其次考虑算法实用性问题,引入加速度参数分量模块,以此来提高目标跟踪准确率,从而实现对目标跟踪算法的优化。在其目标检测跟踪算法的研究基础上提出采用YOLOv5s-improve结合Deep SORT-X的两阶段跟踪方法,并在不同场景中对其进行对比实验验证,证明算法改进对于跟踪精度及速度有明显提升。最后,本文利用Pycharm软件开发环境中的Qt Designer等设计工具对车辆跟踪软件系统中各功能模块部分进行设计并调试。实验结果显示,本文所提出的基于深度学习的目标检测跟踪方法能够克服复杂环境影响,进一步提高无人机对地面运动目标跟踪的准确率及实时性。