目标检测与追踪一直以来在作为计算机视觉的基本任务,在其领域发挥着重要的作用。在实际应用中,如智慧城市、医学图像、军事对抗等复杂场景环境,目标检测与追踪任务面临着多目标、多类别、目标过小等诸多困难。为了解决任务中可能存在的各种问题,本文对于目标特征表示层面进行深入挖掘,从多粒度、多尺度的特征角度,分析不同特征间的差异性和相关性,融合不同维度的特征,为目标检测和追踪任务提供充分的判别依据,从而提高检测追踪任务的准确度。本文的具体创新点包括以下三个方面:1.针对实际应用中诸多数据集标签部分缺失、无定位标注等问题,提出了基于多尺度特征卷积神经网络的弱监督定位方法,其核心思想利用神经网络分层的特性,在多层卷积层上使用梯度加权类激活映射,生成梯度金字塔模型,并通过均值滤波计算特征质心位置,利用置信强度映射和阈值梯减模块产生连接的像素段,围绕最大边界标注进行弱监督目标定位。在标准测试集上的实验结果表明,算法能够在存在大量类别、多尺度图像的情况下完成目标定位,具有较高的精确度。2.针对在应用场景的复杂性,集中物体检测的难度以及检测区域的冗余等问题,提出了多尺度旋转特征金字塔网络的框架。通过多阶金字塔完善多尺度特征从而构建高级语义特征映射,在目标旋转和过度集中的情况下,设计了一种旋转锚定策略来预测物体的最小外接矩形,从而减少冗余检测区域。为了保证小目标和难目标的精确度,对输入图像进行自适应的Patch化处理。基于标准数据集的实验结果表明,算法能够在高清图像、多种类、大量目标情况下完成目标检测。3.在目标追踪方面,为了挖掘不同目标追踪任务的特征异同,本文提出了一种基于卷积神经网络的多分支随机扰动学习框架,同时引入度量函数来增强不同分支间的学习能力。提出了具有随机干扰的延迟更新策略,以避免快速坠入局部最优视频序列。在实际追踪过程中,加入扰动因子来扩大解空间。基于标准追踪数据集上实验显示,算法能够在复杂背景情况下高鲁棒性的的完成追踪目标任务,具有较好的准确率。本文的具体工作从目标检测的类梯度回传融合、卷积网络多尺度特征融合与旋转坐标结构、目标追踪的多分支解结构拓展三个方面,进行了目标特征的多粒度、多尺度、多域特征表示,在标准数据集上均取得不错的效果,具备较高的精确度。