随着理论知识的积累与技术地持续进步,科技服务人类生产生活的需求愈发的多样与复杂。作为计算机视觉核心任务的视频目标检测与跟踪已然不同程度地改变着人们的生活方式,并且也已经有大量的成功实践应用到多个领域。目标的检测与跟踪更是成为备受关注的研究方向,在最近几年也出现了突破性的发展和优异成果,尤其是以卷积神经网络的算法与基于相关滤波的算法在目标的检测和跟踪任务中都展现出了良好的性能。然而由于使用场景的复杂性与多样性,诸如快速运动、尺度变换、运动模糊、目标遮挡等多种不确定因素严重影响了视觉目标检测与跟踪算法的性能。本文针对目标检测过程中小目标的遗漏以及目标跟踪过程中的遮挡、尺度变换等多种挑战进行了以下研究。（1）对部分经典目标检测方法进行了总结分类,分析了卷积神经网络的基本原理,对经典的基于区域建议和深度回归网络的检测算法进行解析。之后针对SSD算法低级特征卷积层数少,存在特征提取不充分,导致对小目标检测效果差的不足做出改进,受人类视觉机制的启发,通过加入人工设计的感受野模块来增强网络在更大区域的特征提取能力,在新模块中使用多尺度的膨胀卷积来增加感受野的范围。在结构上借鉴了Inception的思想,在保持原有轻量级的主干网上增加和替换原有网络的部分特征卷积层,通过最后在VOC数据集上的实验证明了改进算法的平均检测精度比原来的算法提高2.6%,并且基本也保持了实时速度。（2）研究了基于Mean Shift算法的确定性视觉目标跟踪算法,针对在跟踪过程中目标遇到遮挡或者运动速度较快时出现的丢失或者漂移现象,引入卡尔曼滤波器的方法来预测跟踪对象在后续帧中可能出现的位置,减少了算法迭代的次数,通过综合考虑两种算法得出目标的准确位置,结果显示相比于单一算法,改进后的算法使得跟踪的成功率有效和精确程度得到了提升。（3）在深入理解核相关滤波算法的基础之上,针对KCF算法采用单一HOG特征作为目标特征,虽说能够较好地获取目标区域的局部形状信息,不足之处是目标背景出现较多噪声时,HOG特征的描述能力变弱,其对目标特征的表示不再明显,而颜色特征对目标形变和运动模糊跟踪效果较好,提出在KCF中融合HOG特征和CN特征来提升对目标局部特征和颜色信息的表达能力。之后利用KCF获得目标的估计位置,再融合DSST算法中的尺度滤波器输出最大响应值实现目标的尺度自适应。最后通过计算机仿真对KCF、SAMF和DSST等算法做对比,证明文中所提改进后的算法较之其他几种选取的算法具有更强的鲁棒性。