多目标跟踪（MOT）其主要任务是给定一个图像序列,找到图像序列中运动的物体,并将不同帧中的运动物体一一对应（Identity）,然后给出不同物体的运动轨迹。多目标跟踪在智能安防和智能驾驶方向有着重要的应用和需求。许多研究认为简单场景中的多目标跟踪已经取得了较好的效果,但在拥挤场景中,考虑目标运动的复杂性和存在遮挡等问题,多目标跟踪仍然是一个非常具有挑战性的问题。本文主要针对多目标跟踪中的身份交换（ID Sw）和漏检（FN）等问题进行研究,针对这些问题提出相应的算法与模型。本文的主要研究内容如下:1)现有多目标跟踪算法对于目标相似性的计算,通常使用匈牙利算法来实现关联匹配,而匹配时仅仅使用外观相似度作为目标关联匹配的度量,这使得相似对象的识别率较低,容易导致跟踪目标的身份交换。为了解决这一问题,本文在匈牙利算法的基础上提出了一种基于空间约束的成本矩阵优化方法。在关联匹配阶段,利用Kalman滤波估计目标的运动矢量,从而线性预测目标的当前位置。此外,根据估计位置与检测结果的空间关系,通过修改代价矩阵权重的方式,将修改后的成本矩阵用于后续的关联匹配任务,从而使多目标跟踪效果得到提升。2)现有一些研究将单目标跟踪器（SOT）用于多目标跟踪任务取得了较好的效果,但是大部分研究利用注意力网络对原目标特征图权重进行修改,导致SOT跟踪器在初始化特征时容易学到干扰信息。针对上述问题,本文提出直接使用SOT跟踪器对显著特征进行跟踪的方法。该方法能够较大程度去除冗余的信息,将有效信息的占比显著提高,而不用担心初始化时目标被遮挡的问题,而且能够大大降低跟踪过程中的漏检数量。相比之前一些研究使用头部检测网络对全局图像的头部进行检测导致在密集场景中行人头部召回率低的问题,本文提出对单个行人目标使用人体关键点检测网络来计算更加精确的目标头部位置,同时本文还提出了基于目标头部特征的边框回归方法来进一步提升整体目标边界框的稳定性。3)在多目标跟踪中由于卷积形状固定使得在提取目标特征时必定会混淆前景（目标）与背景的问题,基于Point Track的方法可以在一定程度上解决上述问题。然而现有基于Point Track的方法在计算目标的嵌入向量时存在目标外观信息与空间位置信息占比不平衡的问题,本文在此基础上进一步对网络进行改进,在网络中对目标空间信息与目标外观信息进行了平衡。同时本文还对点云的选取方法进行了优化,使之能够更好地反应目标的外观特征。