遮挡情况下的行人检测与跟踪一直都是计算机视觉领域公开的难题。在高速公路外场环境中,由于光照变化、摄像头高度不一、遮挡众多等影响,导致行人具有多尺度、变尺度、形态多样的特点,增加了行人的检测与跟踪难度。因此,研究基于高速外场环境下局部遮挡的行人检测和跟踪算法具有重要的理论和现实意义。论文在深入研究YOLO算法遮挡检测的基础上,构建了适用于高速外场下的行人检测算法框架FFSA-YOLO。针对Deep Sort运用于本文场景下存在误跟踪、ID跳变、定位抖动和目标不匹配等问题,提出了状态分类、中心点重定位和辅助特征判断的改进方法。论文的主要工作和贡献如下:（1）针对遮挡下的多尺度行人检测问题,论文从特征金字塔和感受野两个方面提出跨尺度特征融合策略,设计一个并行的浅层网络融合高层语义特征来增强小尺度行人的局部细节特征;为进一步增强小尺度行人检测,添加P2层并融合基于空洞卷积的扩展感受野模块,对P2层语义信息进行增强和过滤,从而准确识别遮挡下的行人超小目标;最后为避免网络对尺度跨越不大的行人分配不均问题,设计2*2的Deep Parts结构进行特征加权以及融合检测,从而提升整体的行人检测效果。（2）针对局部遮挡下行人特征不明显、缺失的问题,首先从数据增强角度进行针对性的数据扩增,并设计多信息融合的注意力机制,丰富网络中行人特征的上下文信息,提高网络在遮挡环境下的行人目标的快速特征提取能力;为解决行人相互之间重叠导致检测不佳的问题,引入基于曼哈顿距离的Confluence算法,对相互目标之间的距离进行置信度加权统计,从而提高相互遮挡目标的检测精度。（3）针对DeepSort的误跟踪和ID跳变问题,本文设计基于置信度变化率的二次匹配方法改善基于Io U匹配的误判问题,并提出了状态判断的分类处理思想,采用LBP特征判断形变进而分离出遮挡状态。针对短时遮挡造成的定位抖动问题,提出中心重定位的方法,引入深层特征进行中心点的位置矫正判断,改善跟踪过程中的预测效果;针对长时遮挡的问题,设计基于改进Res Net的行人属性识别网络,辅助Deep Sort提取深度特征进行目标匹配,提高长时遮挡的跟踪精度;最后在视频输入阶段和匹配预测下一帧的阶段进行数据降维,提高跟踪算法的速度。综合上述,构建适用于高速公路外场环境下局部遮挡行人检测与跟踪的算法框架。通过采集高速外场监控视频进行测试,实验表明本文算法在速度和精度上均有提升,Caltech公开数据集的实验表明了本文的行人检测算法具有较好的优势。