无人驾驶技术能够给交通出行带来很大的便利，实现无人驾驶的首要技术便是无人车环境感知。基于图像的视觉感知是实现无人车感知的一个重要途径，无人车在白天场景下能够依靠可见光相机很好地感知外部环境，但在夜晚或者黑暗无光的情况下可见光相机不能对周边环境进行感知，红外热像仪通过感受环境的热量分布成像，在非常规环境（夜晚或者黑暗无光的场景）下有着出色的表现，但红外图像相比于可见光图像有纹理度低、噪声多、无颜色信息等劣势。为了使无人车能够在夜间也安全行驶，针对红外图像的目标检测与跟踪研究尤为重要。
　　本文主要针对无人车夜间行驶时的目标检测与跟踪进行研究，主要内容包括两部分：一、基于深度学习的红外图像目标检测算法。二、基于深度学习的目标检测算法结合卡尔曼滤波和匈牙利匹配算法的红外图像多目标跟踪算法。
　　论文的主要创新点如下：
　　1、将深度学习应用在红外图像上进行目标检测，提出一种能够满足无人驾驶实时性要求且准确率更高的改进SSD算法。改进算法有以下几点创新：（1）将特征提取网络更换为Densenet网络得到含有更加丰富信息的特征；（2）特征图的重利用，将浅层特征图与下一层特征图进行融合，增加信息的传递；（3）加入反卷积网络，通过对特征图的融合丰富特征图的语义信息；（4）添加无锚点机制检测分支，使模型在对目标的多尺度特征图进行分配时利用语义信息。提出使用无预训练模型的训练方法，使训练收敛得到的模型参数更好地拟合红外数据集的特性。通过实验验证了改进后的算法能够满足无人驾驶对实时性的需求，且准确率高于其它主流算法。
　　2、将本文所设计的目标检测算法与卡尔曼滤波和匈牙利匹配算法相结合进行多目标跟踪，该目标跟踪算法利用卷积神经网络对视频当前帧的行人与车辆进行检测，利用卡尔曼滤波对视频前一帧中行人和车辆的状态信息做预测，得到当前帧的运动预测位置，通过匈牙利匹配算法对检测结果和预测结果进行相似度匹配最终实现行人与车辆的跟踪。