进入21世纪以来,人们的日常生活对于视频监控的需求越来越大,有关于视频监控中的目标检测与跟踪算法研究这个类型的课题也越来越受到关注,在许多应用场景下也愈来愈重要。在军事方面它可以帮助进行罪犯的定位与追踪等任务;在民用方面它可以完成智能辅助监控等工作。目标检测与跟踪技术己经潜移默化的融入到我们的日常生活中来,目标检测是一种将图像或视频监控中的目标识别检测出来的新兴技术。但在实际操作中,若由人工来完成对目标的识别、检测与跟踪是很费时费力的一项工程,还无法保证其检测准确性。而智能交通系统的提出就是为了减少人力物力,使用先进的人工智能,提高检测效率。因此,目标检测与跟踪技术的研究有着很大的市场和热度。本文基于YOLOv3算法框架,针对存在的夜视环境下成像模糊、漏检、定位不准确、跟踪失效等问题提出相应的解决办法,对运动目标的增强、识别、检测、跟踪进行研究,具体内容如下:（1）基于图像卷积的识别技术是目前主流的人工智能识别方法,利用YOLO算法框架,R-CNN算法框架等方法可以有效的应用于机场、电梯、车站等多种高速实时目标识别场合,在安全检查,危险警报等方面具有很好的应用前景。本文以街边车辆识别为背景,针对白日雾霾天气下与夜间路灯强光源下图片成像不清晰问题,采用暗通道先验方式对目标增强,并在YOLOv3算法框架下进行识别。经过实验测试表明,该方法对提高识别的准确率方面有较大的帮助,提高对模糊物体的识别,对较为清晰的实物提高识别概率10%。（2）运动目标检测方面,本文以对图像中的运动目标进行检测为背景,首先详细的介绍了运动目标的诸多特点及其导致的一些问题,并针对漏检、定位不准确等问题,基于原始YOLOv3算法框架的基础上,提出改变图像划分大小和进行数据筛选的改进以解决漏检错检和定位不准确的问题,提高检测效率和检测精度,最后根据实验结果可知,改进后的YOLOv3算法能够解决用原始YOLOv3算法在进行目标检测时产生的漏检、定位不准确等问题,因此本文提出的改进是可行的。（3）运动目标跟踪方面,本文以对视频监控中的运动目标进行跟踪为背景,首先详细介绍了传统的Mean-shift跟踪算法原理,并针对目标受周围环境颜色影响导致跟踪失效的问题,在原始Mean-shift算法基础上引入了空间颜色特征和边缘梯度方向特征。针对目标因快速运动导致跟踪失效的问题,在上述改进的基础上,再将Kalman滤波器引入进来,提高了检测精度。最后根据实验结果可知,改进后的算法跟踪失败的问题,因此本文提出的改进是可行的。