随着信息技术的高速发展,人们对于安全的要求越来越高,在这样的环境下,监控系统应运而生。摄像头的普及促使监控领域技术不断发展,智能监控系统已经被广泛应用。视频的目标检测与跟踪技术是智能监控系统的核心,也是计算机视觉、图像处理、人工智能等领域的关键技术。目前智能监控系统主要致力于实现目标的自主检测与跟踪。因此,本文对基于深度学习的目标检测技术与跟踪技术进行了研究与实现。本文基于Open CV计算机视觉库,编程语言为Python。在目标检测领域,本文选用SSD算法作为研究对象,SSD算法借鉴了Faster RCNN的anchor机制与YOLO算法的回归策略,同时具有较好的检测精度与实时性。但为了追求更好的实时性,我们采用轻量级网络Mobile Net取代传统SSD的基础网络VGG16,对Mobile Net V1＿SSD算法、Mobile Net V2＿SSD算法与VGG16＿SSD进行性能对比,经过实验证明,Mobile Net V2＿SSD检测实时性远远高于传统的SSD算法。针对监控视频中的行人的检测,建立行人数据集进行迁移训练得到行人检测模型并进行检测实验。针对监控视频中的行人跟踪,在OTB2013数据集上对经典的核相关滤波算法进行对比实验,选取部分具有遮挡属性的数据集进行准确率展示,从实验结果得到KCF算法具有很高的实时性及准确率,因此使用核相关滤波算法进行跟踪。但针对核相关滤波算法在遮挡形变等较为复杂情况下鲁棒性较差的缺点,本文使用卷积神经网络对图像进行特征提取,将提取到的特征融入跟踪算法中,在监控视频序列中对本方法进行实验验证。实验证明,使用深度特征的KCF算法在行人视频序列中的效果高于使用HOG特征的KCF算法。