人工智能技术的飞速发展,给人类社会带来了更便捷、高效的生活方式。近年来,受益于深度模型的丰富表现力,计算机视觉在多领域都获得了广泛的应用。目标检测与跟踪是其重要组成部分,其主要任务是从图像中找到待测目标,输出其类别和位置,并分析目标的运动规律,实现稳定有效的跟踪。复杂地空环境下,热武器频繁的使用产生烟雾、浮土和火焰等,会带来大量的光影干扰和图像模糊,且目标更易被障碍物遮挡;此外,捕获的图像中目标一般较小,且图像中的目标存在大量的尺度变化和形状改变。这些困难都会导致检测以及跟踪精度降低。如何有效地、实时地进行动态目标检测,并对动态目标的状态进行实时精确地跟踪与预测是一项艰巨任务。在国防建设方面,对敌方目标动态实时跟踪,可以实现视觉定位,为防御和打击目标提供指导;对我方单位的异常状态做出检测并及时预警,有利于我方及时做出防御,或进行战场救援。针对复杂地空环境在目标检测与跟踪方面特有的困难,本文提出了一些改进措施以适应复杂的地空环境。（1）针对复杂地空环境下的目标跟踪问题,研究了基于ResNet-18的Deep SORT跟踪方法,通过加深外观提取效果,解决了存在大量小目标和光影干扰时跟踪精度低的问题,减少了小目标跟踪过程中的ID Switch现象,提高了跟踪的稳定性。（2）在复杂地空环境下,为了精确地对模糊图像中的小目标进行检测,设计了基于ResNet的CBAM-YOLOv5检测模型。利用CBAM改进YOLOv5结构,提高网络对小目标以及模糊图像的检测精度,优化多尺度检测效果。此外,引入ResNet-34网络,对CBAM-YOLOv5网络可能误判的目标重分类,优化检测结果。实验结果表明,所提检测算法在满足实时检测的前提下,检测性能优于YOLOv5网络等常用检测器,提高了对小目标以及模糊图像的检测精度与召回率。（3）针对复杂地空环境下动态目标的异常检测问题,利用MindX SDK在Ascend 310上部署基于ResNet的CBAM-YOLOv5烟火检测模型,测试了在多种情景下模型对烟火目标检测的准确性,并比较所提检测模型与其他常用烟火检测器的性能与误检率。实验结果表明,所提烟火检测模型能够在多种情境下对烟火目标精确检测,精度与误检率都优于常规检测器。