随着社会进步和计算机技术的不断发展,人们对计算机视觉领域的技术有了更加深入的研究。近些年来智能监控技术更加广泛的应用在军事领域和人们的生活中,如小区停车场,交通指挥控制中心等等。多目标跟踪技术是该领域中一个热门的研究方向,该技术是在最底层的目标检测之上的一门技术,通过目标跟踪可为后续的高层提供有用的信息。近年来多目标跟踪技术的发展取得了进步,但仍然存在着很多问题需要解决,如目标遮挡,多尺度等问题。本文针对上述问题对多目标跟踪进行了研究,通过对相关算法的学习与研究后进行了大量的实验,本文研究成果如下:(1)目前存在着很多类别的目标跟踪算法,大体上来说可以分为生成类方法与判别类方法两大类别。近些年判别类方法在目标跟踪领域的发展很快,并且有着不错的速度和效果。判别类方法中的相关滤波(CF)类的跟踪算法在近年来的目标跟踪竞赛中取得了突出的成绩,该算法也衍生出了一些高速的目标跟踪算法。本文介绍了相关滤波类算法的原理,并着重介绍了核相关滤波算法(KCF)的相关理论知识。(2)实现了核相关滤波算法(KCF)并在MOT16数据集上使用该算法进行多目标跟踪实验,跟踪时常常出现目标由于与摄像头距离变化导致大小发生变化而跟踪框大小不变的多尺度问题。如当目标从摄像头远端移动到近端或从近端移动到远端的过程中,跟踪框的大小不会相应的发生改变,导致被跟踪目标超出或小于跟踪框的范围造成跟踪效果不佳的结果。因此本文对该算法进行了一定的改进,在该算法的基础上加入了多尺度处理,使得在目标跟踪的过程中跟踪框可以不断适应目标的大小,提高了目标跟踪的质量。(3)在目标跟踪的过程中常常会出现目标与障碍物之间产生遮挡的问题,而单纯使用核相关滤波算法(KCF)进行多目标跟踪时,该算法对由遮挡导致的正样本丢失,大量负样本涌入的问题不能很好的解决而造成跟踪框偏移或停滞,为了解决因遮挡而跟踪失败的问题,本文在核相关滤波算法的基础上结合了深度学习的目标检测方法(YOLO)对被跟踪目标进行实时检测,并使用coco数据集和VOC数据集中的行人和车辆的数据对该神经网络进行了训练,当使用核相关滤波算法进行多目标跟踪的过程中若被跟踪目标为行人或车辆时可以做出边跟踪边检测的行为,结合本文提出的一种目标选择策略来对被跟踪目标进行重新定位,很大程度上解决了因遮挡导致跟踪失败的问题。