车辆检测与跟踪是智能交通中的关键环节,能够为缓解交通拥堵以及处理交通事故提供重要信息。目前,针对车辆检测和跟踪的研究主要是以固定监控摄像头拍摄的视频为基础进行的。随着无人机技术的成熟,无人机已经被应用到多个领域之中。相对于固定摄像头,无人机具有灵活、便携和视野广阔等特点。将无人机应用到智能交通领域能够有效扩大监控范围和降低人力物力。然而,基于无人机视角的车辆检测与跟踪较传统固定视角监控视频具有新的挑战。因此,本文将开展基于深度学习的无人机影像车辆检测与跟踪方法的研究。针对目前检测算法对于小尺寸车辆检测准确率低的问题,本文提出了基于多尺度特征增强的车辆检测方法。该方法首先利用主干网络获取多尺度特征,然后将多尺度特征分别输入到特征增强网络中,最后利用增强后的特征进行分类和回归。同时,针对分类得分和回归得分不一致导致目标漏检的问题,设计了基于交并比指导的损失函数。通过多组对比实验证明该方法能显著提升检测效果。针对目前深度模型存在较多冗余参数导致计算量大的问题,本文提出了融合模型剪枝和知识蒸馏的快速车辆检测方法。该方法首先利用模型剪枝,从大型网络中获得一个轻量级网络。然后以大型网络作为教师网络,以轻量级网络作为学生网络进行知识蒸馏。并且,针对目标检测设计了基于最小损失策略的知识蒸馏方法。通过实验证明了本文提出的方法能够在保证较高检测精度的同时,能够极大地提高检测速度。针对基于一步法的多目标跟踪算法中目标ID变化次数较多的问题,本文提出了一个基于位置约束的多目标跟踪算法。该方法首先利用前述章节构建的检测器获得检测结果,包括目标框和重识别特征。然后计算目标和已有跟踪轨迹之间的相似度,通过引入位置约束使最终的匹配结果得到提升。实验结果表明该方法能够显著降低目标ID变换频率,提高跟踪的稳定性。