城市内涝相关问题一直是城市建设发展中的世界性难题,就如何解决城市内涝及其衍生问题是国内外学者及研究机构所密切关注和研究的方向。近年来受一些突发气候的影响,全国许多城市内涝的风险都大大增加,例如郑州7.21事件。城市内涝对城市破坏及人们生命财产危害都是巨大的,特别是内涝情况下的受淹车辆更是扮演着十分被动的角色,只能等内涝退去才能对其进行检测评估,后续对受淹车辆的评估、统计和追踪是在人力下完成的,存在周期长、效率低、开销大的弊端。相较于人工检测方法,基于深度学习的目标检测更加高效、准确、快捷,并且极大程度地解放了人力,降低了成本。本文提出了基于深度学习的城市内涝受淹车辆危险度检测评级和计数追踪方法,为城市居民和管理决策人员提供了更多的选择,也为相关城市内涝问题研究人员提供了思路和基于研究内容的研究方法与模型。本文的主要工作和取得成果如下:首先,对城市内涝下的受淹车辆情况进行需求分析,确定了研究的现实意义。就受淹车辆危险度分级问题,查阅相关展开理论探索和实验验证,最终将受淹车辆危险度划分为三个等级。其次,根据划定的分类级别进行实验数据集的制作。原始数据是通过爬虫在网上爬取的图片、视频经过预处理得到,接着使用标注工具对数据集进行逐一标注并按照一定格式组织。然后,根据制作的受淹车辆危险度数据集利用YOLO、SSD、Faster R-CNN、Center Net、Retina Net、Efficient Det等系列算法训练受淹车辆危险度数据集并针对数据集进行优化改进,得到多种目标检测模型并对实际检测效果进行分析,基于速度和精度考量选取出最优的检测模型YOLOv5,本地环境下达到60FPS的检测速度。最后,搭建了以YOLOv5为目标检测器、Deep Sort为追踪器的城市内涝下受淹车辆目标标检测追踪模型。利用YOLOv5S优秀的目标检测能力配合Deep Sort良好的目标跟踪效果实现对洪涝场景下的受淹车辆目标跟踪计数,在保持追踪效率的同时,保证了实时处理的能力。