环境车辆跟踪是无人驾驶感知模块的重要研究内容之一,随着无人车行驶场景或意图的变化,往往需要对环境中不同位置的车辆进行跟踪,为规划决策提供可靠信息。由于任务场景多变,现有的目标跟踪模型的整体效率和跟踪准确率依旧有待提升。因此,本文对场景变化下周围车辆的跟踪方法进行研究,以提高模型的准确率和效率。首先,研究了简单场景下的单目标跟踪模型。在现有的基于孪生网络的单目标跟踪模型基础上,本文结合区域生成网络（Region Proposal Network,RPN）,搭建了简单场景下针对单目标车辆的跟踪模型。此外,本文考虑了车辆跟踪任务和其他跟踪任务的差异性,采用统计的方法得到车辆在图像中的最大平移范围,从而确定特征图中的检测范围。本文在OTB（Object Tracking Benchmark）2015和KITTI 2D Tracking两个数据集上,训练并测试了本文所建模型和Siam RPN的准确性和效率,结果表明,相比Siam RPN,本文所建模型的跟踪准确率更高,在无人驾驶场景中具有更好的表现。然后,研究了复杂环境下的多目标跟踪模型。本文采用Center Net网络作为检测方法,基于多目标跟踪主干网络Fair MOT搭建了无锚的目标检测及跟踪模型。利用KITTI数据集,对所建模型进行训练和测试,得到最佳Re-ID长度。结果表明,在多种复杂环境中,本文所建模型均具有较好的准确性和鲁棒性。其次,研究了场景自适应的单目标和多目标跟踪任务切换方法。为解决场景变化时,由于任务的切换,导致同时出现在两个任务中的目标ID无法匹配,进而丢失其轨迹信息的问题。本文提出了基于车辆运动状态向量、图像特征和交并比（Intersection over Union,Io U）的目标匹配方法,并提出了场景变化时,跟踪任务模式切换的匹配流程,实现了场景自适应跟踪任务的切换。最后,验证了所提场景自适应周围车辆的跟踪方法。基于所提场景变化时,单目标和多目标跟踪任务切换的三种方法,在获取的数据集上进行测试,分析了不同匹配方法的优劣。在一组完整的视频序列中,结合本文所建单目标跟踪模型、多目标跟踪模型和任务切换时的目标匹配方法,验证了所提多场景下的周围车辆跟踪方法的准确性和运行速度,结果表明,本文所提方法在单目标和多目标跟踪任务中均具有良好的准确性及实时性。