近年来,随着科技的快速发展和人们经济水平、消费水平的不断提高,私家车出行因其舒适、方便和快捷逐渐成为城市交通中最为流行的出行方式,辅助驾驶系统也在行车过程中扮演着重要角色。行驶车辆的检测与跟踪是辅助驾驶系统的重要组成部分,然而由于行车环境复杂、车辆之间互相遮挡、光照变化等,车辆的检测与跟踪仍然面临着巨大的挑战。鉴于此,本文主要对以下内容进行研究。小目标车辆的检测。现有的车辆检测算法对远距离的小目标车辆检测效果并不好。在实际的高速行车过程中,两辆车很快就能相遇。因此,我们希望算法能够检测到远距离的小目标车辆,使得行驶中的车辆能始终与前方的车辆保持安全距离。基于此,本文提出了一种基于多尺度图像组和候选区域筛选的小目标车辆检测算法。该算法首先构建了多尺度图像组,然后将多尺度图像组融合到深层神经网络中,使神经网络的较深层次能更充分的利用图像的空间位置信息;之后设计了新的重叠程度计算方法,使得生成的候选框更接近待检测车辆目标的尺寸,有利于后续的训练过程;最后,设计了一个能够使正样本在训练过程中发挥作用更大的损失函数。此外,为了验证算法的有效性,本文还构建了一个小目标车辆检测数据库,在该数据库上的实验结果验证了所提算法的有效性。遮挡车辆目标的跟踪。当被跟踪的车辆目标被其他物体遮挡时,跟踪算法很容易将遮挡物体判断为待跟踪车辆目标,从而导致跟踪失败。在实际的行车过程中,车辆之间互相遮挡的现象十分普遍,解决车辆跟踪过程中的遮挡问题具有很重要的现实意义。基于此,本文提出了基于卷积核优选的跟踪算法。首先,在深层特征提取阶段,挑选对跟踪目标更加敏感的卷积核,从而获得更能表示待跟踪车辆目标的特征;然后设计了判别式连体网络对跟踪结果进行评估;最后通过再检测模块在跟踪失败后重新检测待跟踪车辆目标。此外,我们还构建了车辆跟踪数据库用以验证所提算法的有效性。车辆检测与跟踪的提速。深度学习方法的普及使得车辆检测与跟踪在精度上取得了较好的效果,然而深层神经网络提取特征需要花费较长的时间,难以满足实时性的要求,达不到实际应用的需求。我们认为,要将基于深度学习的车辆检测与跟踪方法大规模的投入工业使用,需要加快算法运行的速度。为此,我们针对基于深度学习方法的速度较慢的问题,通过调整网络结构减少神经网络的参数。通过实验表明,调整后的神经网络模型能有效的提高检测的速度。