多目标跟踪任务是计算机视觉领域的一个重要问题,旨在对视频中出现的所有目标进行识别与跟踪,常见的跟踪目标是行人与车辆,多目标跟踪在智能监控、姿态识别等领域有着重要的应用。在多目标跟踪任务中,存在两个难点问题影响跟踪的精度:第一,目标间的遮挡会导致跟踪轨迹的中断以及跟踪目标的跳变,第二,由于多目标跟踪任务需要基于目标检测的结果,所以目标检测结果的质量会直接影响跟踪精度。本文针对上述问题开展如下工作。首先,本文提出了基于判别器的在线多目标跟踪算法。由于传统的运动预测算法没有考虑到目标的视觉信息,因此针对目标遮挡等复杂情况的鲁棒性较差,而基于深度学习的单目标跟踪算法结合了语义及上下文信息,并对目标特征有强大的识别性,对目标间的遮挡有较好的处理能力,因此用以替代传统运动预测算法。在此基础上,本文提出了一个判别网络,对目标检测边界框和目标跟踪边界框进行打分,更贴合目标真值的边界框能获得更高的得分,选取分数较高的作为轨迹更新的边界框,从而提高跟踪精度。此外,设计了一个深度外观特征提取网络,提取目标的外观特征,用于后续身份匹配。其次,本文在多目标跟踪算法中引入回归器,针对目标检测边界框以及目标轨迹边界框直接进行回归,获得更准确的目标检测位置以及目标轨迹位置,从而提高算法精度。在此算法中,没有使用单目标跟踪器以及传统运动预测算法来预测目标下一帧可能出现的位置,而是使用回归器直接修正目标位置,从而替代了前者。在提取图像特征的骨干网络中,使用了特征金字塔网络,从而能够更好的提取到目标特征。最后,本文在MOT Challenge数据集上测试了上述两个算法的性能,与其他算法比较了性能上的差异,并对算法结果进行了分析。实验结果表明本文提出的两个算法有较高的准确度。