随着计算机技术的发展与科技水平的提高,人们对生活质量的需求也日益提高。交通出行是日常生活中必不可少的一部分,交通拥堵、交通事故频发等问题已经得到许多国家的关注,智能交通系统也因此成为未来交通的发展方向。其中,车辆检测与跟踪是实现智能交通的重要环节。由于交通路况日益复杂,传统车辆检测跟踪方法已经无法满足需求,深度学习作为近年来最为热门的人工智能实现方法,在图像检测方面有着得天独厚的优势。所以本文基于深度学习方法,开展对智能交通车辆检测与跟踪方法研究,具体研究内容如下:（1）针对车辆检测问题提出SSD-MobileNetV3融合网络车辆检测方法。结合SSD网络检测速度快与MobileNetV3网络参数量小的优点,将SSD网络的基础网络VGG替换成MobileNetV3,并结合迁移学习方法加入预训练模型,加速其网络收敛。同时,针对SSD网络对小目标检测准确率不高的缺点,加入反卷积网络提升其对小目标检测性能,使用自建车辆数据集进行实验。实验表明,SSD-MobileNetV3相对原SSD网络参数量大幅减少了 83.1%,同时准确率也有3.1%的小幅度提升。改进后的SSD-MobileNetV3虽然网络参数相对于改进前增加8.9M,但是整体准确率上升了 4.1%,且对小目标检测更准确。（2）针对车辆跟踪问题使用基于检测的跟踪方法Deep SORT,检测部分使用上文所设计的SSD-MobileNetV3。针对SORT方法没有车辆外观特征导致容易跟踪丢失的现象,加入车辆外观重识别,使用VERI数据集进行训练,得到车辆外观特征,并使用匹配级联方法在一定程度上解决跟踪目标丢失问题。结果表明:本文Deep SORT车辆跟踪方法在各个指标参数上均优于SORT算法。本方法实现了通过路口车辆计数与车辆轨迹跟踪。（3）搭建嵌入式实验平台,对本文改进Deep SORT车辆跟踪方法进行实验验证。验证本文算法能否在嵌入式系统中运行,对比不同算法在嵌入式系统中运行情况。实验表明,本文算法在能够嵌入式平台中流畅运行,FPS为18左右,基本能够实现实时检测,对智能交通车辆跟踪的实现有一定帮助。