随着中国科技与经济的快速发展,中国汽车持有量仍在大幅增加,然而交通拥堵、交通事故等一系列道路安全问题也在持续攀升,其中由于车辆异常行为导致的悲剧占据多数,无论是车辆故障还是驾驶员问题引起的车辆异常行为均会给自己或者他人带来致命性的伤害。因此,车辆异常行为识别作为智能交通安全管理与智慧城市交通管理领域重要的关键技术,已经成为当今人工智能研究与应用的重要内容之一。近年来,交通监管技术主要着手于车辆违规行为的检测,对于车辆异常行为引起的交通事故以及预警方面仍存在欠缺。传统的交通监管手段是基于肉眼的方式,对道路中出现的违规变道、超速超车等车辆异常行为等问题给出判定结果,既耗费大量人力,又很难满足实时性以及精准性的分析。而基于深度学习的车辆检测与跟踪系统则可以获得更高的准确率、更高的实时性以及更智能的自动化分析。车辆作为公路交通运行管理的重点关注对象,对其进行准确的检测和跟踪具有非常重要的意义。因此,本文研究并实现了一套基于深度学习的道路交通安全车辆检测与跟踪系统。本文主要的研究工作如下:首先对车辆检测与跟踪算法的支持理论知识进行介绍,为后续的异常行为分析打下坚实的基础,接着分析了当前目标检测中较为主流算法的工作原理,从他们的检测效果以及检测性能来看,YOLOv3和YOLOv4算法检测精度都满足实际要求,但是检测速度只有2-5帧左右（RAM为16G、处理器为Intel（R）Core（TM）i5-10210U@1.60GHz 2.11 GHz）,满足不了实时性要求。YOLOv3-tiny算法虽然检测速度满足实时性要求,但检测精度存在较大缺陷,存在漏检,误检现象。而YOLOv4-tiny算法检测精度误差在误差范围内,其检测速度也是最快的,在上述笔记本配置上FPS达到了40左右,完全满足实时性的需求。因此,本文将YOLOv4-tiny算法作为本文车辆检测的基础算法。然后根据目标检测算法以及当前多目标跟踪算法分析,本文将基于“检测跟踪”的Deep-Sort算法完成道路多车辆的跟踪任务,首先利用Kalman滤波器预测每个检测出来的目标的Bounding box参数,通过实验选取Kalman滤波器的最优状态参量,后使用匈牙利关联算法,将检测结果与跟踪结果的IOU值作为衡量参数,得到帧与帧之间的关联结果。最后基于上述的车辆检测和车辆追踪任务的研究,本文搭建了公路交通中车辆检测与跟踪的管理系统,并在跟踪基础上由获得的目标轨迹点进行聚类分析。整个系统包括前端显示模块和后台处理模块,系统将业务处理和数据展示进行了逻辑分离,在前端页面中可视化的展示了车辆检测和跟踪的效果,后台进行数据的处理。