监控视频信息的自动处理与预测在信息科学、计算机视觉、机器学习、模式识别等多个领域中受到极大的关注。在监控系统获取监控视频的过程中,复杂多变的环境因素会对视频的采集造成—定的影响。其中,视频抖动便是其中一种不利的影响。对于抖动视频目标识别与追踪,由于检测目标在视频中的每一帧的位置都会发生较大的变动,传统的目标检测方法对抖动视频中目标的提取效果不明显,于是本文提出了将深度学习卷积神经网络模型(Faster R-CNN)用于抖动视频目标识别中。首先将大量的学习样本利用卷积神经网络模型进行训练得到分类器,之后用RPN算法筛选部分候选区域,再利用卷积神经网络模型对候选区域进行特征提取,之后利用训练得到的分类器进行目标的分类识别,然后将检测到的目标用回归模型反馈到原抖动视频中去,以此实现目标的定位识别,之后利用改进后的Camshift算法加上已经得到的目标特征来进行目标的追踪。相较于原来的视频检测模型,本文对抖动视频的检测效果有较大的提升。