车辆检测和跟踪是计算机视觉的基本内容和研究热点,广泛应用于视频监控、自动驾驶和智能交通系统等领域。随着深度学习的发展,基于全卷积孪生网络（Siamese Fully-Convolutional,Siam FC）目标跟踪算法由于较快的跟踪速度受到了广泛关注,但精度偏低,仍有一定的提升空间。此外,基于机器视觉的车辆检测算法逐渐成为研究重点,而检测算法的优劣直接影响车辆跟踪效果。为提升车辆检测的精度和Siam FC算法对目标判别和定位的能力,本文的主要研究工作如下:（1）针对Siam FC中模板图像识别较弱、搜索图像定位能力不足以及目标外观变化时特征提取能力较差等问题,本文在Siam FC的基础上,提出一种孪生双重注意力机制融合（Siamese Dual Attention Mechanism Fusion,Siam DAMF）目标跟踪算法。首先采用Res2Net-50作为特征提取的主干网络,并多尺度融合残差模块的分组特征,在加深网络的同时提高图像识别能力。其次在模板图像和搜索图像分支上分别引入特征通道注意力机制和空间注意力机制,通过分层特征融合和非局部的像素依赖,提升目标的判别能力和定位精度。最后为丰富训练数据,利用模板图像、正样本和负样本之间的潜在关系,设计Triplet Loss函数,提高网络的特征学习能力。实验结果表明,在UAV123和VOT2018两个公共数据集上,所提算法的成功率指标分别提高了3.7%和5.1%,同时该算法达到了37帧每秒,满足实时性要求。（2）针对传统车辆检测方法效率低、漏检率高和对小目标检测效果不好等问题,本文提出一种基于Efficient Net改进的YOLOv3检测算法YOLOv3-E。首先利用K-means++对训练标签进行聚类,确定适合车辆宽高值的anchor box。其次将特征提取能力更强的Efficient Net作为特征提取网络,并采用4个特征尺度融合深层的语义信息和浅层的位置信息,同时借鉴残差块的思想和深度可分离卷积的计算方式,提升小尺度车辆的检测效率。最后引入CIo U和Focal Loss函数,提高网络收敛速度和检测精度。实验结果表明,在UA-DETRAC和自建的数据集上,所提算法的MAP、Recall和FPS分别达到90.9%、88.3%和30f/s,提升了小目标车辆的检测精度。（3）针对车辆跟踪因尺度变化导致匹配不准、精度不高等问题,本文提出一种基于数据关联的跟踪算法。首先使用改进的YOLOv3车辆检测算法,获得车辆检测的边界框和特征信息。其次利用卡尔曼滤波器预测当前帧的车辆的跟踪框,并通过匈牙利算法关联当前帧的检测框和跟踪框。最后使用多个车辆特征点构成的最小凸包统计车流数。实验结果表明,所提算法在保持车辆跟踪精度的同时,能够准确触发车辆计数,平均准确率为91.5%,并满足实时车辆计数的应用。