随着5G的快速普及和人工智能产业的迅猛发展,无人驾驶技术已经成为新兴的热门研究方向,而车辆检测与跟踪是当前无人驾驶领域中重要的研究热点之一。由于真实的道路场景复杂多变和遮挡等干扰因素的存在,车辆检测与跟踪算法的研究面临着严峻的挑战,如何能实现对车辆快速精准的检测及跟踪是迫切需要解决的技术难题。本文对基于深度学习的车辆检测与跟踪算法进行了研究。主要工作内容如下:在车辆检测方面,首先对当前广泛应用的目标检测算法Faster R-CNN进行研究。针对Faster R-CNN算法检测速度慢、对小目标检测精度低的问题,提出改进方案。通过将轻量级网络模型Shuffle-net迁移至Faster R-CNN目标检测框架,极大地减少了模型参数量和计算量,从而提高检测速度。同时,通过在多尺度特征融合后加入反卷积操作,充分利用浅层的丰富信息,加强判决层的特征表现。通过对不同卷积层输出特征信息的融合,实现小目标信息的完整反映,从而提高算法整体检测精度。在车辆跟踪方面,本文充分利用神经网络的优势,提出了一种基于分块抗遮挡的跟踪算法,实现了车辆的稳定跟踪。该研究方法把卷积神经网络与相关滤波跟踪算法相结合,通过特征提取网络对跟踪的目标信号进行了分块化的特征提取。通过对分块部分进行遮挡打分处理,并在相关滤波模型框架下对跟踪目标进行位置预测和估计,有效地改善了目标被遮挡下算法跟踪性能。最后,在OTB数据集上测试了提出基于分块抗遮挡跟踪算法的跟踪性能。与其他跟踪算法相比,本文提出的跟踪算法能够有效地抑制干扰因素的影响,实现高精度且稳健的车辆跟踪。