多目标跟踪是计算机视觉任务中最基本而又最具挑战性的任务之一,在自动驾驶、人机交互、智能监控等场景中都有着广泛的应用前景。目前主流的多目标跟踪方法可以分为两大类,即基于检测和基于单目标跟踪。前者依靠于检测器所获得的结果进行数据关联。然而,当检测结果或是匹配信息不可靠时往往会造成轨迹断裂等问题。后者虽然通过先进的单目标跟踪器单独处理每一个目标来保证轨迹的连贯性,但是跟踪效率会随着目标数的增加而急剧下降,限制其实际应用价值。虽然后续一些工作也考虑通过多模型堆叠的方式结合上述两类方法的优点,但该做法所构建的系统复杂,难以落地。为此,本文针对上述方法的局限性展开深入研究,以多任务联合学习和一体化模型构建为切入点,研究如何集合检测、外观建模和运动传播等多个任务的优势,构建一种高性能的实时一体化多目标跟踪方法。本论文的主要工作如下:（1）从多任务联合学习的角度出发,本文提出了一种检测和外观建模（re-identification,Re ID）协同互助的高性能一体化方法CSTrack。本文对检测和Re ID两个任务的本质关联和矛盾进行了深入分析,并设计了两个新颖且有效的模块,以实现两个任务更好的协同学习。一是基于任务的特征互惠模块,通过学习更好的任务依赖特征以提高任务协作。二是基于注意力机制的目标感知模块,以学习构建更有利于表征所有目标匹配语义的输出。实验证明,所提出的模块有效地提高了当前一体化方法的跟踪性能,尤其是在数据关联能力上取得了巨大的提高。（2）为了更高效地在多目标跟踪场景中实现运动传播,本文提出了一种轻量化的再查询网络,以极小的代价近实时地实现单目标跟踪增强。所提出的再查询网络灵活地扩展了ID向量的功能,使其不仅可以用于数据关联,同时可以在当前帧定位已有目标的位置,实现运动传播。该模块在显著降低融合单目标跟踪所带来的计算量的前提下,有效地提高了目标轨迹的连贯性。（3）本文整合了所提出的一体化方法CSTrack以及再查询网络,提出了一种高性能的联合检测、外观建模（Re ID）和运动传播（单目标跟踪）的一体化方法OMC。本文提出的方法在MOT Challenge的多个数据集上均取得了最先进的跟踪性能,且与现有其他代表性的方法相比取得了极大的性能优势。此外,从实际应用的角度出发,本文进一步对算法进行加速,所提出的加速版本在单张GPU上可达到35.4 FPS（帧/秒）的平均推理速度,具有极高的落地应用价值。