产业智能化和生活智慧化的时代,3D车辆检测与跟踪已经发展成为视觉领域重要的研究内容,主要应用于自动驾驶的研发。以前的方法通过利用Li DAR设备获得了令人鼓舞的结果,利用该设备可以根据3D点云生成精确的深度信息。然而,由于Li DAR的高成本和稀疏输出,许多学者希望寻求更便宜的替代方案,例如单目相机。本文提出了一种基于图像的单目3D车辆检测方法,并结合目标跟踪方法提高车辆检测的模型性能。主要工作内容如下:（1）提出一种单目3D车辆检测算法。设计了一种端到端的3D车辆检测网络,采用预测2D检测框的结果来指导和改进3D目标框的定位。针对3D检测的问题,仿照2D锚框的定义,设置3D锚框作为强先验信息,并进行边框回归预测,提升网络的预测准确率。构建的模型有两个分支网络,一条分支网络用来提高空间信息感知能力上,提出一种深度感知卷积操作,更好的捕获网络局部特征,使得获取的特征有助于网络模型对3D场景的理解;在另外一个分支上采用了位移池化操作,合理利用特征通道内的信息流,混合通道之间的信息,在不引入额外计算量的情况下,帮助模型提升全局特征感知能力,对移动后的特征图和原始特征图进行逐元素均值运算。在算法的后处理阶段,针对3D车辆检测框中车辆方向预测偏差的现象,采用一种后处理的方法,通过将估算的3D框投影为2D包围框,再对投影的2D框与网络预测的2D包围框计算交并比损失值,设置角度调整步长,不断更新较小的损失值,以此找到更加准确的方向角度。（2）提出一种基于长短时长记忆网络与感兴趣检测区域匹配的车辆跟踪方法。构建了长短时长记忆网络的运动模型,利用网络中“记忆”的功能,将车辆视频的前后帧紧密关联起来,充分利用它在时序记忆上的优势。构建的车辆运动模型采用两个LSTM网络,一条负责状态的预测,一条负责状态的更新。在数据关联中,提出了一种基于检测感兴趣区域的匹配算法,具有强先验的轨迹过滤作用,利用获取检测感兴趣区域候选框的位置计算它们与相邻轨迹点之间的马氏距离,并与那些轨迹可能的匹配的距离相比,以此过滤掉距离较远的检测候选框,之后通过计算预测的轨迹点与检测的候选框的交并比计算关联度,保留关联度较大的轨迹,使得匹配算法性能更加的鲁棒。在公开的3D车辆检测测试集和车辆跟踪测试集上的实验结果表明,本文算法能在一定程度上提升单目3D车辆检测与跟踪算法的性能。