多目标跟踪是人工智能领域的一个重要研究方向,在其他计算机视觉任务如智能导航、智慧交通、安防监控、异常行为分析等方面具有重要应用价值。尽管近年来多目标跟踪算法取得了很大进展,但由于目标个数多变、背景复杂、目标外形轮廓和颜色相似、目标之间相互交叉运动频繁等问题,在实际场景中快速、稳健地对多目标进行跟踪依然面临很大的挑战。本文从目标外观建模和逐层关联等方面进行了深入研究,主要工作及取得的研究成果如下:针对在线跟踪方法跟踪精度差,目标外观变化累积导致模型漂移和跟踪失败等问题,本文在在线跟踪的框架上,融合了全局跟踪的思想,扩大当前时刻处理目标所在的时间范围,综合了目标历史状态和未来状态等更加全面的信息,提出了一种基于小轨迹图关联模型的半在线多目标跟踪方法。为了提高算法的计算效率,该方法首先将相邻帧的检测关联为长度较短的轨迹,剔除虚假目标,之后将小轨迹视为图模型中的节点,采用图分割模型完成小轨迹的关联。随着算法处理窗口不断前移,逐渐形成目标最终轨迹。在PETS2009、ETHMS和MOT2015等数据集上的测试结果表明,相对于传统在线跟踪算法,本文所提算法在跟踪精度和跟踪准确度上均有所提升。针对目标手工设计的外观特征区分度不足和场景适应能力有限等问题,本文采用深度神经网络替代传统目标外观特征提取方式,训练GooLeNet来自适应地学习各个目标的外观特征,采用稳定可靠的卡尔曼滤波算法对目标状态进行估计,并采用马氏距离计算轨迹和检测之间的运动相似性,之后采用匈牙利算法完成多条轨迹和检测的关联。在目标轨迹和检测之间关联时,优先考虑能够持续跟踪的目标,之后根据轨迹的跟踪时刻与距离当前时刻的差值,先后与检测进行关联。在公开数据集MOT Challenge 2016上的测评结果表明采用深度网络的目标外观模型使目标跟踪效果得到明显提升。