近年来,由于视频监控中目标检测的不同应用（例如交通控制,机器人技术,自动驾驶车辆和监视）,视频目标的检测和跟踪受到了很多关注。本文提出了对艺术体操中小球的检测与跟踪的研究,其主要目标是对视频序列中小球的运动进行检测和跟踪。这项研究有助于教练们掌握运动员动作的准确性,以及扩大智能体育的发展。此外,本论文的贡献在于提出了一种鲁棒的小球检测器,称为通道特征增强检测器（Channel Feature Enhanced Detector,CFED）,提出了通道特征增强模块（Channel Feature Enhanced Module,CFEM）以提高目标特征图的可分辨性,为实验组织了BALL数据集,提出了小球跟踪器,并结合时间和方向信息来有效地跟踪小球。在艺术体操中检测和跟踪小球的核心挑战是,由于变形,运动模糊,阴影以及与球相似的背景颜色和阴影,小球的特征非常模糊。为了克服这些挑战,应用了基于检测的跟踪方法。首先,为了有效地检测小球,提出了CFED。CFED改进了SSD（Single Shot multi-box Detector）使其适合于小球检测,并且增加了CFEM用于特征预测,以提高目标特征的可分辨性。通过在构建的BALL数据集上利用任务的特征之间的通道关联,将挤压和激发块应用于CFEM,区分模块计算特征层中每个卷积核的重要性。我们使用全局平均池化层来获取每个通道特征图的持久响应值,使用L2函数归一化向量的幅度,使用比例层来获得最终输出。建议的BALL数据集被组织用于训练和评估。该网络基于基于Caffe框架和VGG16架构的SSD构建。小球检测实验结果表明,所提出的CFED检测器达到了90.2%的m AP,更准确,每幅图像的平均速度为11.4 ms。进行了进一步的消融研究,以验证CFED中各种组件在相同的训练迭代,批次大小和输入大小下是否成功。使用和不使用CFEM的测试结果进行了比较。CFEM的准确性从85.0%提高到88.1%,测试结果证实了CFEM的有效性。还可以通过比较带有和不带有BN层的测试结果来评估批归一化（BN）的有效性。使用BN时,准确性从85.0%提高到88.9%,这表明BN是用于任意初始化的有效训练方法。使用全局平均池技术来获取所建议网络中每个通道的权重,并且使用全局最大池方法进行了另一项实验。测试结果表明,全局平均池比全局最大池更有效。其次,提出了一种基于轨迹预测的小球跟踪技术,用以在运动场上运动员比赛时跟踪小球。由于CFED具有出色的跟踪性能检测能力,因此被选作跟踪过程的检测器。所提出的跟踪技术基于Deep SORT,并对小球的跟踪进行了改进。由于缺少小球的外观信息,Deep SORT无法很好地跟踪它们。为了解决这个问题,算法结合了运动,帧存储和方向信息以指示轨迹。保留检测到的各种帧,以重新识别何时重新出现小球,这可以解决识别ID失败的问题,并且还添加方向判断以解决对象重叠的问题。轨迹用于指示小球跟踪过程中小球的运动和方向。从该组小球中产生一组轨迹,以使用其定位小球并预测错过的球的位置。在构建的BALL数据集上实施的小球跟踪实验与基于指标评估的Deep SORT相比,评估了算法的小球跟踪性能。实验结果表明,所提出的改进有效地将ID切换次数从137减少到111,将轨道碎片从496减少到420,将错误检测从891减少到809,同样,丢失检测的次数从1201减少到725。小球跟踪的准确度从49.5显着提高到62.7,精确度从66.2上升到67.3,并且该方法的速度从19.17Hz大幅提高到156.34Hz。总体结果表明,所提出的方法可以有效地检测和跟踪艺术体操中的小球。