煤炭在我国的发展中占据着重要的战略地位,因此煤矿的安全开采对于我国的社会和经济发展都具有重要的意义。随着计算机行业的迅速发展,使用智能设备监控煤矿井下的开采以及员工生命安全都取得了巨大进步。但是由于煤矿井下不是非常理想的环境等原因,对管控等技术的发展主要遇到两个瓶颈。首先是监控设备采集的图像照明度普遍偏低并且受到较大噪声干扰,其次矿道较为狭长,在目标跟踪过程中容易出现目标丢失的现象现有的目标跟踪方法的实际应用效果都不是非常理想。在前人研究的基础上,本文将针对性的对这两个问题提出如下解决方案。（1）图像增强。为了使煤矿井下的目标跟踪更加准确,图像的预处理极为重要。煤矿的安全监控技术是煤矿开采过程的重要部分,煤矿井下的的视频监控为煤矿安全提供重要保障,因此监控图像的质量问题直接决定监控的有效性。煤矿井下环境恶劣,由于光线较暗灰尘较多,监控采集设备获取的图像易出现光照不均、对比度较差等问题。本文提出一种基于HSV空间融合改进的Retine算法,在达到图像增强的目的的同时,也减少图像的失真、模糊等问题。首先将预处理图像由RGB空间变换到HSV空间,通过Retinex原理对照度分量采用改进的双边滤波算法进行估计,对反射分量非线性处理,饱和度进行校正,实现色彩真实,并将处理后的分量进行融合,最后对图像逆转换到RGB空间,完成图像增强的流程。经实验验证,本文提出改进的Retinex算法应用于煤矿井下非均匀照度环境中,与典型的三种算法进行比较,对图像均值、标准差、峰值信噪比以及信息熵几个方面的指标进行评判。实验数据证明,本文提出的算法在对图像的增强过程中,不但提高了图像的亮度、对比度,还有效的抑制了图像的光晕、噪声以及边缘模糊现象,为矿井安全生产提供了更加充足的保障。（2）目标跟踪。本文采用YOLO算法对矿井目标进行跟踪,YOLO算法的优势就在于运算准确且执行速度较快,可以满足在煤矿井下实时目标跟踪。针对YOLO算法在低照度下准确率较低的缺点,本文采用金字塔模型融合YOLO算法,并对YOLO算法的损失函数进行了改进。将本文方法与Camshift及原始YOLO算法对比后,实验数据表明本文方法能够满足在矿井复杂环境下进行目标跟踪,不但做到额准确度的提升,同时保证了实时性的前提,结果分析表明该方法的性能优于对比方法。