目标检测与跟踪作为计算机视觉领域的研究内容之一,在现代社会的各个领域都有着广泛的应用。近年来,在简单应用场景取得了一定的研究成果。但是由于多目标行人检测经常发生外观形态变化以及行人遮挡等现象,而且目标所处环境背景复杂(例如遮挡、光照变化等),因此,实现具有鲁棒性的检测跟踪算法依然非常困难。特征选择是影响目标检测与跟踪准确率的重要因素,目前大多数人工选择的特征都需根据不同的数据和任务来设计,不仅需要专业领域的知识,效果也不尽如人意。深度学习的出现为这类问题提供了一个很好的解决方案。深度学习能够自动地从数据中学习到能表征数据更深层本质的特征,相较于人工选择特征与浅层特征,具有强大的数据刻画和泛化能力。本文将深度学习引入目标检测与跟踪中,提出了基于深度特征学习的目标检测与跟踪算法。本论文主要的研究内容如下:(1)针对深度学习模型计算量较大,且调参复杂、时间过长等问题,采用一种简洁的深度学习网络模型PCANet网络提取目标的深度特征。提取样本特征时首先采用主成分分析(PCA)作为卷积滤波器对图片进行滤波,然后采用二进制哈希编码作为非线性输出,最后使用分块直方图作为池化层对特征进行降维,从而实现对于原始图像的深度特征的提取。(2)针对在传统的多目标行人检测中出现漏检错检的问题,在采用PCANet网络提取检测目标的深度特征的基础上,使用选择性搜索算法提取高质量的目标候选区域,从而解决传统行人检测算法中滑动窗口策略计算量大和冗余窗口多的问题。经过实验验证,本文提出的行人目标检测的算法在行人目标发生姿态变化和复杂背景下,依然可以准确检测出行人目标。(3)针对现有的目标跟踪算法在较复杂的环境下容易发生跟踪偏移甚至丢失跟踪目标的问题,本文采用粒子滤波与检测器结合的方法,实现一个在线的目标跟踪算法。首先通过粒子滤波算法对每一帧图像进行运动估计,得到新的检测区域样本,然后提取样本特征,采用SVM分类器对目标进行分类检测;当目标发生较大变化时,可以通过设置阈值对网络和分类器进行更新。经过实验仿真,在存在光照变化、遮挡等复杂背景情况的视频序列上,本文提出的算法都展现了良好的跟踪能力。