随着5G通信技术和人工智能技术的高速发展,智能交通监控系统的建设迎来契机,目标检测跟踪与定位技术是监控系统的核心部分,传感器技术作为重中之重,更是受到众多研究者的密切关注。摄像机作为目标检测与跟踪的重要硬件设备,具有目标识别准确、图像获取便捷的优点,但获取目标速度和位置信息的处理流程复杂、精度低,且在环境光线较暗、天气状况不佳、目标遮挡等情况下,检测跟踪效果也会大幅降低。毫米波雷达由于其工作特性,对环境光线、天气状况等条件要求较低,并且测距测速精确,可以弥补摄像机的缺陷。但毫米波雷达在目标识别方面不如视频图像直观。因此基于视频与雷达信息融合实现目标探测成为智能交通监控系统的研究热点。本文针对智能交通道路监控场景,从基于深度学习的视频目标检测、视频图像距离信息获取、视频/雷达数据帧时间同步、场景多目标匹配等几个关键问题展开工作。主要工作和创新点如下:为提高基于深度学习的视频目标检测效率,设计了一种道路监控场景下视频目标检测模型优化方法。首先,从多类别数据集中选择汽车、公交车、卡车三类目标,聚类计算所有图片目标的锚框值（anchor）;考虑实际场景中目标的大小,去除提取小目标特征的网络层;进一步由通道剪枝、层剪枝策略减少模型参数、提高模型推理速度。实验结果表明,提出的方法可以在保证检测效率不变的情况下,帧率达到30FPS以上,满足实时性的要求。为实现视频目标与雷达目标在路面坐标系中匹配,提出一种基于视频图像的道路目标距离获取算法。由YOLOv3算法得到目标检测框下沿中心点的成像平面坐标,利用逆透视变换得到俯视视角场景,解决摄像机视角中车道线不平行的问题,确定目标在车道中的相对位置。根据针孔相机的成像原理,得到目标在摄像机坐标系下的距离信息,并将其垂直投影到路面坐标系。实验结果表明,该算法获得的目标距离精度和实时性满足实际需求。针对视频、雷达数据帧时间不同步问题,设计了一种基于IMM的雷达目标位置估计方法。由IMM算法对雷达检测直线行驶目标和变道行驶目标进行跟踪,对雷达帧数据进行相应时间的滤波,得到视频帧时刻的雷达目标位置估计。仿真实验表明,IMM算法可以有效跟踪多运动模型目标,为视频、雷达时间同步后的目标匹配提供基础。针对视频与雷达目标在路面坐标系中存在的整体位置偏差、目标数不一致等问题,提出基于互相关系数的视频/雷达场景多目标匹配算法。首先,利用互相关系数校准两种传感器得到的路面坐标整体偏差;其次对每个车道上的双源目标,利用KM算法进行精确匹配。实验结果表明,当双源目标存在整体偏差、目标数不一致的情况下,所提算法能完成正确匹配,实现了视频/雷达目标信息融合。