Este documento explora la aplicación del algoritmo YOLOv5s integrado con el algoritmo de detección de seguimiento DeepSORT en la detección de objetivos de vehículos, aprovechando sus ventajas en el procesamiento de datos, función de pérdida, estructura de red y estrategia de entrenamiento. Respecto a la regresión de marco de detección, la adopción de Focal-EIOU puede mejorar la precisión de la detección de vehículos al medir de manera precisa la superposición y manejar mejor escenarios complejos, mejorando el rendimiento general. Se emplea la capa de convolución CoordConv con más información de posición espacial para mejorar la capa de convolución de la estructura de red original y mejorar la precisión en la posición de los vehículos. Se analiza el principio y la efectividad del mecanismo de Atención Shuffle y se añade a la estructura de red YOLOv5s para mejorar el entrenamiento, mejorar la precisión de detección y la velocidad de ejecución. Y el algoritmo de detección de seguimiento DeepSORT está diseñado para lograr una operación de alta velocidad y un emparejamiento de alta precisión en el seguimiento de objetivos, permitiendo un seguimiento eficiente y fiable de objetos. Simultáneamente, la estructura de red se optimiza para mejorar la velocidad y el rendimiento del algoritmo. Para cumplir con los requisitos de detección de vehículos en sistemas de transporte prácticos, se recopilan imágenes de vehículos del mundo real como conjunto de datos para el entrenamiento del modelo y lograr una detección precisa de vehículos. Los resultados muestran que la tasa de precisión P del algoritmo mejorado YOLOv5s se incrementa en 0,484%, y mAP_0.5:0.95 alcanza el 92,221%, con un aumento del 1,747%.