如今,监控设备存在于人们生活的各个角落,常被用于城市道路中的车流监控、地铁的人流监控、酒店机场住宅等场所的安保等。视频监控每天会产生海量的数据,仅通过人工手段去处理显然是不现实,这就给监控设备的智能化提出了要求。目前,智能监控技术的研究已经成为国内外研究的热点,尤其是针对监控内行人的跟踪技术研究,其是后续行人重识别、轨迹分析的前提。在实际的使用中,基于智能监控的行人跟踪技术还存在着诸多的问题,例如:行人的快速运行、行人成像模糊、光照强度等影响。本文针对智能监控中的行人跟踪问题展开研究,致力于提高行人跟踪在行人尺度快速变化、模糊、遮挡等情况下的跟踪能力。基于此目的,提出了一种高鲁棒性的实时多尺度行人跟踪方法。本文的主要研究内容如下所示:（1）研究了基于Siamese网络的行人跟踪方法。采用Siamese网络的形式作为本文行人跟踪的框架,依据模板帧与相邻帧的相似性;将ShuffleNet和attention机制结合,在几乎不增加计算量的同时提高backbone网络的特征提取能力;为了使用更深层的网络,采用空洞卷积代替标准的卷积,并且在采用时满足位置均衡采样;在训练阶段,由于计算资源的限制,采用GN代替BN,并优化了训练的损失函数。最终的实验结果表明,本文提出的行人跟踪方法在行人遮挡、行人快速移动等方法表现出了较好的效果。（2）研究了基于改进的Mask R-CNN行人检测方法。为了加快行人检测的处理速度,采用了更小计算量的特征提取网络;采用multi-scaleroi增强了行人检测head部分的roi提取能力,并采用PSROIPooling代替roipooling;在训练时加入了 multi-scale train以及warm up方法。最终的实验结果表明,本文的行人检测方法在减小特征提取网络的同时保证了一定的性能要求。（3）研究了模型压缩的方法,提高实时性。为了满足实时性的要求,采用基于BN层γ因子进行权重剪枝以及知识蒸馏的方法改进,最终实验结果表明,在几乎不降低精度的同时,分别提高了行人跟踪于行人检测的处理速度。（4）提出了一个具有高鲁棒性的实时行人跟踪方法。为改善本文的行人跟踪方法在长时间跟踪过程的鲁棒性,将本文的行人检测方法与之结合,提出了在固定间隔帧与行人跟踪结果较低时进行行人检测更新模板帧。通过实验结果表明,该方法相对于只使用行人跟踪方法来说跟踪稳定性大大的提高,在行人遮挡、行人快速运动等方面都有着较好的表现。