随着计算机视觉技术的发展,尤其是深度学习技术的发展,智能视频监控技术越来越成熟。作为智能视频监控系统的重要组成部分,目标检测和目标跟踪技术已成为当前视觉领域重要的研究方向。本文围绕智能视频监控系统实际应用中基于深度学习的目标检测和多目标跟踪技术展开研究,分析了目标检测和多目标跟踪技术研究的背景、意义及国内外研究现状,深入研究了目标检测与多目标跟踪技术的基本理论和方法,最后分别对相关算法进行了改进。在目标检测方面,根据智能视频监控系统中实时性、精确性、占用较小显存空间的要求,本文改进了YOLO系列的精简版YOLOv3-tiny算法。以行人检测为例,通过调整YOLOv3-tiny算法中grid cell的横纵方向数量、优化YOLOv3-tiny算法网络结构、聚类确定anchor的数量及尺寸,得到改进的算法,并通过数据增强方法对训练数据集进行了扩充。实验结果显示改进的算法显著提高了算法精度,具备实时性、精确性,且不需要较大的显存空间,满足大部分智能视频监控系统实际应用的要求。在多目标跟踪方面,卡尔曼滤波面对运动特征不断变化的目标或监控系统摄像机的移动,无法较好的进行预测,同时卡尔曼滤波只包含了目标运动匹配度信息,没有包含物体表观特征信息。以行人的多目标跟踪为例,本文改进了一种基于卡尔曼滤波的多目标跟踪方法,使用马氏距离、余弦距离、空间距离的融合模型作为目标关联的依据。实验结果显示改进的多目标跟踪算法有效改善了基于卡尔曼滤波的SORT算法,满足智能视频监控场景中实时性、准确性要求。