多目标跟踪是当前计算机视觉领域的热门研究方向之一，被广泛应用于运动分析、机器人视觉导航、智能视频监控以及自动驾驶辅助系统中。随着互联网时代的到来，大量监控相机遍布于国内外各大公共场所，每一秒都能产生海量的视频数据。面对海量的视频数据，如何高效检索和跟踪感兴趣目标成为亟待解决的难题之一。多目标跟踪技术经过了多年的研究与发展，已经取得诸多成果。但在现实世界中，被跟踪目标往往处于复杂场景中，比如目标频繁遮挡、光照变化、背景干扰和相机运动等，且跟踪目标数量较多，使得现有多目标跟踪算法难以同时满足高稳定和实时性的需求，难以在实际场景中进一步应用。

在跟踪视频序列中，连续两帧之间相应目标表观变化幅度较小，因此表观模型构建的好坏是影响跟踪过程的稳定性的一个重要因素。近年来，深度学习技术蓬勃发展，在特征提取方面表现出极大的潜力。针对复杂场景下目标跟踪算法的各种难点问题，本文对于现有算法进行进一步研究，将深度神经网络提取的目标表观特征和运动特征纳入多目标跟踪算法中数据关联部分，主要工作如下：

（1）针对目前计算机视觉中检测与跟踪出现的断层的问题，本文实现了一种面向监控场景的检测跟踪一体化的在线多目标跟踪算法。该算法对当前帧图像检测出目标位置并提取特征，将具有更强表达能力的深度特征应用于跟踪中，在一些目标相对稀疏的场景中可以实现实时跟踪；

（2）针对目前跟踪算法中采用一阶运动模型或者二阶运动模型，在目标速度变化较大时而导致目标预测位置不准确的问题，本文提出一种基于检测跟踪相关联的多目标跟踪算法。该算法利用两帧图像在特征图层面上进行相关，预测目标的位置，实现更加稳定的跟踪；

最后，本文进行一系列的实验对算法加以评估。实验结果表明，与一些主流算法相比较，本文方法取得了不错的跟踪效果，在部分指标上取得了领先。