近年来计算机视觉技术取得了飞速的发展,目标检测与跟踪技术也逐渐应用到社会的教育、医疗、交通与军事国防等各个领域,对目标检测与跟踪的关键技术进行进一步研究具有重要的理论研究价值以及工程应用价值。随着深度学习技术的发展,深度学习目标检测算法取得了众多研究成果,对于资源匮乏的嵌入式设备而言,更轻型的检测模型才能满足实时性需求。本文研究与对比了多种检测算法的综合性能,考虑了算法的轻量化、实时性、可移植性等因素,提出了一种改进的轻型实时LR＿Det(Lightweight Real-time Neural Network for Object Detection)目标检测算法,该算法将模型存储量降为1.3MB,相同输入时速度相比于YOLOv3-tiny提升了59%。在训练阶段,引入CIo U(Complete Intersection over Union)回归损失函数同时回归预测框与真实框之间的距离、重叠率以及尺度差别,解决了目标框训练不稳定且极容易发散的问题,不仅加快网络的收敛,还进一步提升了目标检测算法的性能。此外,在前向运算时将归一化层合并到卷积层,整个网络前向运算的时间降低了6%,进一步提升了检测速度。最终,通过实验结果验证了LR＿Det系列轻型实时检测算法的优越性。在目标跟踪算法中,相关滤波类算法能够较好地权衡跟踪效果与速度。故对该类算法的进一步研究与改进具有较大的工程实用价值。本文首先研究了KCF(Kernel Correlation Filter)跟踪原理以及优缺点,提出了基于多特征融合的相关滤波跟踪算法即MF-KCF(Multi-Feature Fusion Kernel Correlation Filter),该算法将FHOG(Fast Histogram of Oriented Gradient)特征、CN(Color Name)特征、灰度特征融合,提升了跟踪器的精确度与鲁棒性。针对目标在遮挡、形变、模糊等情况下跟踪器易发生漂移的问题,引入置信度判断指标,使用一种高可信度的模型更新策略,大幅降低了跟踪模型被污染的概率,提升了跟踪器的抗干扰性能与跟踪速度,该算法被称为AMKCF(Anti-interference Multi-Feature Fusion Kernel Correlation Filter)。高可信度模型更新策略在目标外观信息变化比较快时会造成算法学习能力滞后,使得跟踪器无法适应目标的快速变化,因此本文将跟踪算法与检测算法相结合得到了一种有效的长时目标跟踪算法,该算法能够在一定程度上抑制跟踪误差累积,同时也对目标的最新状态有了较好的描述。实验结果表明MF-KCF与AM-KCF在OPE(One-pass Evaluation)、SRE(Spatial Robustness Evaluation)与TRE(Temporal Robustness Evaluation)三种评价方式下,精确率平均提升了5.3个百分点,成功率平均提升了10.6%,帧率保持在80FPS,说明改进后的跟踪算法在精度与鲁棒性均优于原始算法。