随着人们生活水平的提升和社会活动的丰富,城市道路中交通工具的数量也随之增加。它为人们带来便利的同时,也带来了交通拥挤、交通事故频发等问题。为了尽可能避免上述问题的发生,城市道路交通管理中引入了城市道路智能监控系统。它能从实时监控视频中检测出道路中出现的车辆或行人,对监控画面中出现过的车辆或行人进行实时跟踪,并将城市道路中相关异常行为的车辆或行人的相关信息快速的传达到相关人员进行处理。由于城市道路处于室外场景中,道路中的车辆和行人通常较多,很容易出现目标遮挡,目标过小等问题。上述问题的出现很可能会造成目标的漏检。为此,本文以深度学习为理论基础,在保证城市道路目标检测算法的实时性的前提下,以提高被遮挡目标和小目标的检测率与识别率为目的,使用了基于YOLO V3的城市道路目标检测算法对城市道路中出现的车辆或行人进行检测。提出了一种基于Soft-NMS待筛选框处理方法,来提高被遮挡目标的检测率。在自制的数据集上,与原始的YOLO V3相比,m AP提高了2.3%。并且在公开数据集上也有1.1%的提升。同时引入了以Deep-SORT为核心的目标跟踪算法。针对Deep-SORT算法在进行目标跟踪时,被跟踪目标容易受周围相似目标的干扰以及被跟踪目标发生较大的外观变换时会造成目标跟踪失败的情况,在Deep-SORT目标跟踪算法整体框架的基础上提出了基于孪生网络的城市道路目标相似度的多位置预测匹配的方法来提高跟踪过程中轨迹与预测框之间匹配的正确率,最终达到提升跟踪效果的目的。实验结果表明,本文采用的算法在保证实时性的情况下,提高了城市道路被遮挡目标的检测率与跟踪率。