视频序列中的目标跟踪是一项基础且重要的计算机视觉任务。无论是在学术研究还是工业应用中,目标跟踪都有着深刻的研究意义与广泛的应用前景。本文基于多目标跟踪框架,探讨在密集场景下的目标跟踪。针对目标漏检、数据关联以及目标更新这三个方面,展开了深入的研究,主要研究内容与成果如下:（1）融合基于通道与空间置信度的相关滤波器跟踪结果在线跟踪多目标。本文研究发现在基于检测结果的多目标跟踪算法中,若目标被遮挡、或目标尺寸较小,检测器不能保证该目标被发现。目标漏检会导致目标完整的轨迹被截断成多个碎片轨迹,也会导致目标发生身份交错的概率增加,直接影响最终的跟踪结果。因此,本文提出融合基于通道与空间置信度的相关滤波跟踪结果,为目标提供预测位置,即使检测器漏检,目标也会被发现。此外,本文还基于卡尔曼滤波器对单目标跟踪结果和匹配的检测结果进行坐标融合,减少噪声影响,平滑目标运动轨迹。（2）基于马尔可夫聚类算法实现数据关联。针对与目标关联对应的检测框不止一个,造成多余的检测框成为新目标的情况,本文借用局部聚类的思想,将目标与检测框作用在马尔可夫模型上,利用马尔可夫聚类算法求解出包含目标与检测框的集群。每个集群中只包含一个目标和多个检测框,实现冗余框也被匹配到目标,从而减少虚假目标的数量,提升跟踪性能。另外,本文修改了聚类算法的收敛条件,设计出加速运行的马尔可夫聚类算法,大幅减少算法耗时。（3）利用基于特征金字塔结构的残差网络优化边界框。目标将根据关联的检测框位置更新得到当前帧的位置,检测结果的边界框将直接影响到目标位置是否精确。所以为提高目标轨迹的精准度,本文基于卷积神经网络对检测的边界框进行优化与调整。本文利用基于特征金字塔结构的残差网络提取图像的深度特征,将检测框作为建议区域,利用兴趣区域池化得到检测框的特征图,根据特征图回归得到优化的边界框,使得目标最终轨迹位置更加精准。