目标跟踪是计算机视觉领域中一个重要的研究课题,近年来,随着我国城镇化建设的推进以及人民经济水平的不断提高,私家车的保有量与日俱增,为我国的交通系统带来了巨大的压力。因此,智能交通系统的研究成为了当今一大热点。车辆跟踪算法作为智能交通系统的重要组成部分,为系统获取行驶车辆信息提供了可靠的保障。由于城市道路复杂,车辆密集,树木天桥等遮挡物繁多,在城市场景中实现准确的车辆跟踪成为一个巨大的挑战。本文主要对以下内容进行研究。（1）针对单目标车辆跟踪时摄像机镜头快速旋转导致跟踪器无法区分跟踪目标与干扰目标的问题,提出了时空拓扑结构匹配模型来改进单目标跟踪算法。在城市场景中,对地面车辆进行跟踪时,若摄像机的镜头发生大尺度旋转,跟踪算法可能将与跟踪车辆外观相似的目标判断为跟踪目标从而导致跟踪失败。在该算法中,设计了拓扑结构提取模块从当前帧的特征图中提取跟踪目标和干扰目标的拓扑结构,并通过基于自注意力网络的时空拓扑结构匹配模型将前后两帧的拓扑结构进行匹配,实现跟踪目标与干扰目标的区分。另一方面,构建了含有摄像机镜头快速旋转与相似目标干扰属性的单目标车辆跟踪数据库,以验证本文算法的有效性,同时,在公共数据集上进行了对比实验,验证了所提方法的鲁棒性。（2）针对单目标车辆跟踪时跟踪车辆被长时遮挡导致跟踪器丢失跟踪目标的问题,提出了时序轨迹预测模型来改进单目标跟踪算法。在城市道路中,当跟踪的车辆被天桥、树木等遮挡物长时间遮挡时,跟踪算法会将场景中的干扰目标判断为跟踪目标,从而导致跟踪失败。该算法中,设计了基于运动轨迹的跟踪目标状态判别器与基于自注意力网络的时序轨迹预测模型。当跟踪目标判别器判断跟踪目标消失时,自注意力轨迹预测模型依据跟踪目标的历史轨迹预测未来轨迹。跟踪器将使用轨迹信息更新搜索区域。若跟踪器在搜索区域内重新锁定跟踪目标,则停止使用轨迹信息进行跟踪,恢复正常跟踪状态。此外,本章节构建了长时间遮挡车辆跟踪数据集用以验证所提算法的有效性。（3）针对多目标车辆跟踪时摄像机镜头快速旋转导致跟踪目标与跟踪轨迹关联失败的问题,提出了视频补帧模型来改进多目标跟踪算法。当摄像机镜头发生大尺度旋转时,现有的多目标跟踪算法难以将当前帧检测到的跟踪目标关联到跟踪目标的历史轨迹从而导致跟踪失败。在该算法中,设计了目标关联判别器以及视频补帧模型。若判别器判断多数跟踪目标关联历史轨迹失败则通过视频补帧模型预测当前帧与上一帧的中间帧。跟踪器将使用中间帧更新历史轨迹,利用平滑后的历史轨迹实现准确的多目标跟踪。本章构建了一个包含摄像机镜头快速旋转场景的多目标车辆跟踪数据集,经过对比实验表明,本章提出的方法可以有效的应对摄像机镜头快速旋转的场景。