视频监控是治安防控、公共交通等领域的重要组成部分。随着计算机视觉技术的发展,视频监控越来越受到社会各界的关注和重视。跨视场行人跟踪作为视频监控中的重要技术,具有很高的理论研究价值和工程应用价值。本文研究广域监控视频中的跨视场行人跟踪,将跨视场行人跟踪问题分解为行人检测、单视场行人跟踪和跨视场行人重识别三个子问题,并分别研究了它们的算法实现。在行人检测方面,本文研究了基于深度卷积网络的行人检测方法。在通用目标检测算法的基础上,本文研究将通用目标检测模型应用于检测行人目标的方法。本文从两方面检测效果出发,分别研究了三个因素对目标检测算法性能的影响:针对跨域检测效果差的问题,研究了迁移学习对检测算法性能的影响;针对小目标检测效果差的问题,分别研究了输入尺度和先验锚框对检测算法性能的影响。在单视场行人跟踪方面,本文对多目标跟踪和单目标跟踪两个任务分别进行了研究。在多目标跟踪任务中,本文将多目标跟踪分解为四个步骤:行人检测步骤、特征提取步骤、相似性计算步骤和数据关联步骤,并分别采用了对应的算法:（1）在行人检测步骤中,利用前文研究的检测算法实现行人检测;（2）在特征提取步骤中,分别利用卷积神经网络和卡尔曼滤波提取目标行人的外观特征和运动特征;（3）在相似性计算步骤中,分别使用余弦距离和重叠率距离计算行人目标之间的相似性得分;（4）在数据关联步骤中,使用匈牙利算法关联同一身份的行人目标。此外,为了解决目标行人被遮挡后重新进入视野时身份变换的问题,本文设计了一种孪生网络作为外观相似性判据,用于判断遮挡前后的目标是否为同一目标。在单目标跟踪任务中,传统的单目标跟踪算法仅使用第一帧作为跟踪的先验信息,无法有效应对外观变化、目标遮挡等多种情况。针对这一问题,本文将检测后跟踪的方法应用于单目标跟踪任务,使用孪生-区域提名网络跟踪目标,然后使用重叠率关联检测目标与跟踪目标,有效地提升了跟踪效果。在跨视场行人重识别方面,传统的行人重识别算法假定查询目标一定存在于目标数据库中,这通常不符合实际情况。针对这一问题,本文提出了一个可以验证查询目标与待查目标相似性的验证网络,从而取消了对上述假设的依赖。此外,为了提高网络的验证效率,本文提出了一个利用时空概率分布抽样的方法,有效减少了计算量。本文解决了两个问题:单视场多目标行人跟踪问题和跨视场单目标行人跟踪问题。本文在多个行人跟踪数据集上进行了实验。实验结果表明,本文提出的跟踪方法能够有效地完成两种任务。