当前,目标跟踪已经广泛应用于日常生活中,实现对跟踪对象的轨迹特征进行分析以及标注。其中,多目标跟踪在各种公共安全管理平台、交通安全监控等场景中应用最为广泛。而在多目标跟踪过程中针对如何解决因目标发生遮挡而产生的跟踪混乱的问题是关键,在正常多目标跟踪过程中,现有的跟踪算法已经可以达到较高的准确率,但由于遮挡的产生往往会影响到跟踪的效果,无法将遮挡发生前后的轨迹连接起来,而造成跟踪混乱的现象。本文对现有的在线多目标跟踪算法进行了深入分析与对比研究,尤其是对基于卡尔曼滤波和匈牙利匹配算法的单假设多目标跟踪框架进行了深入研究,并以此为基础重点展开了以下两个创新研究工作。其一,多目标跟踪匹配过程中交并比作为关联度量存在两个问题,第一,交并比无法准确反映出真实目标检测框和跟踪轨迹预测框相似度的问题,第二,在目标匹配过程中BBox的回归损失优化和关联度量交并比优化不完全等价的问题。针对以上两个问题,本课题提出基于广义交并比的DEEPSORT跟踪算法。与交并比只关注重叠面积不同,广义交并比除了能通过检测框和预测框的重叠比例的大小来判断两者的相似度,还考虑了两者的非重叠面积所占比例,可以更好的反映了两者的相似称度,更有利于对轨迹的匹配判断。实验数据证明,该方法能在一定程度上改善多目标跟踪的准确度,在同一个MOT16数据集上跟踪的准确度由原来的57%提升到了57.3%。其二,多目标跟踪过程中,遮挡造成的匹配混乱常常会影响跟踪轨迹的准确性及完整度。为解决此问题,本文提出了目标遮挡预判的级联匹配算法,去对抗因遮挡产生的身份编号转换问题,有效地降低了因遮挡而产生的身份编号转换的次数,提高了跟踪的准确性。跟踪实验结果表明,通过在相同的MOT16数据集的测试结果比较,身份编号转换次数得到了大幅度的减少,由原来的960次减少到了582次,减少了约39.3%,并且多目标跟踪准确度也由原来的57.0%提升到了60.3%。