目标检测与跟踪技术是计算机视觉领域的两个主要研究方向并且具有广泛应用。但是,目标尺寸较小、目标被遮挡严重影响目标检测与跟踪算法的性能。本文针对小目标和目标被遮挡造成的检测与跟踪效果差的问题,提出基于YOLO改进的多粒度特征融合的目标检测算法和基于LSTM的目标跟踪方法,实现了小目标和遮挡情况下检测与跟踪的性能提升。本论文主要研究内容如下:(1)研究分析了国内外目标检测与目标跟踪的现状以及目标检测和跟踪过程中目标过小和目标被遮挡的具体问题。介绍了深度学习的基础理论与基于深度学习的目标检测与跟踪算法,为后文算法改进提供了理论支撑。(2)提出基于YOLO改进的多粒度特征融合的目标检测算法。通过对YOLO的网络结构进行了多粒度特征融合的改进,使得模型在最终检测时提取的特征向量考虑更多底层的特征,解决因被检测目标过小,经过多层卷积和下采样操作而造成的特征丢失的问题。(3)提出基于LSTM的目标跟踪算法。针对目标跟踪中的遮挡、跟踪速度慢的问题,本文在基于YOLO改进的多粒度特征融合的目标检测算法基础上引入k邻域搜索的感兴趣区域确定模块,快速确定目标特征提取的感兴趣区域,利用LSTM神经网络对时序空间信息的表达能力和“门”机制对被跟踪目标的运动特征进行建模,有选择的保留目标的运动特征和语义特征,对被跟踪目标下一帧所在位置进行预测,降低了跟踪算法对特征提取器的依赖,提升在跟踪目标被遮挡的情况下的跟踪性能。(4)通过无人船对水面特定漂浮物进行目标跟踪的算法验证。依托无人船,设计具有小目标、遮挡等挑战的特定水面漂浮物的实际跟踪实验场景,对本文提出的目标跟踪算法进行实验验证。综上,本文提出基于YOLO改进的多粒度特征融合的目标检测算法和基于LSTM的目标跟踪算法,并且分别在公开数据集对本文提出的目标检测与跟踪算法进行性能评价。最终在无人船上对特定水面漂浮物进行跟踪实验,实验结果表明,本文提出的目标跟踪算法在跟踪成功率、准确率和跟踪速度上具有较好表现且效果稳定,具有很好的应用价值。