对视频中的多个被关注对象进行维持固定身份标识的追踪,也就是多目标跟踪（Multi-Object Tracking,MOT）,一直是众多研究者们所感兴趣的问题。其在应用于安防、工业、交通和军事领域等众多更复杂的计算机视觉系统中都能发挥独特的效果。离线跟踪能够利用整段的视频提供完整的时空信息来支撑跟踪,而在线跟踪仅能利用当前帧和历史帧等已知信息来构建目标轨迹。基于在线跟踪的特性,其能够满足诸如视频监控、自动驾驶等场景中所需要的实时性要求。因此,能够进行实时跟踪的在线跟踪算法以及其实现过程中碰到的相关问题是本文的首要关注点。传统的多目标跟踪算法,采用人工手段来设定被跟踪对象。而基于检测的跟踪范式则是从给定的视频每一帧的检测结果中获取当前场景中所有物体的位置和类别,再决定算法所关注的对象并加以跟踪。随着深度学习技术被应用到目标检测领域并带来巨大的性能提升,研究者们都将注意力集中到了基于检测的跟踪范式上,并设计出了一系列具有优异跟踪性能的视频多目标跟踪器。然而,当前的检测算法无法在一些目标遮挡严重以及目标数量较多的视频场景中完全准确地识别和定位感兴趣的目标,得到的检测结果中存在着大量的漏检和误检。因此,如何克服检测结果中噪声带来的不利影响并对目标的完整路径进行准确还原,是基于检测的多目标跟踪范式所面临的主要挑战。本文通过深入研究和分析基于检测的跟踪范式在视频在线多目标跟踪技术上的应用,探求了如何解决运动位置预测、边界框精细化、外观特征建模、跟踪管理、跟踪模块兼容性以及其对跟踪任务本身适应性等问题的方案。本文的主要工作概括如下:（1）基于预测细化和遮挡分类的在线多目标跟踪算法。深入研究了严重遮挡时不同遮挡类型目标的分类处理,旨在解决不准确的检测和预测带来的关联错误、目标重合导致的身份转换问题以及严重遮挡导致的漏警问题。具体而言,该方法首先采用了结合卡尔曼滤波器与增强相关系数法（Enhanced Correlation Coefficient,ECC）的运动模型来提升位置预测的准确性,其次采用了边界框回归网络来对运动预测后的目标位置来进行具有检测属性的细化,从而提高定位准确性,然后对被严重遮挡的目标进行分类以及差异化处理,并采用简单的贪心匹配算法就能够准确地将被跟踪的目标与检测响应进行关联,最后利用行人重识别环节对重新进入场景中的丢失目标进行身份的还原,从而提升了算法进行在线多目标跟踪的性能。（2）基于多功能聚合和跟踪模拟训练的多目标跟踪算法。为了使多目标框架中各个模块之间更加兼容,该算法将边界框细化和目标外观特征提取功能整合到一个网络模型之中并利用后续的不同分支来实现对应功能。该算法还采用了卡尔曼滤波器聚合增强相关系数法ECC的运动模型来提高预测准确度。为了提升各个网络模块对于跟踪任务本身的适配性,该算法还提出了一种跟踪模拟训练法来训练网络模型。在训练时模拟在线多目标跟踪过程,利用运动预测的位置来扩充训练数据,并结合了一种能够利用目标历史外观特征的指标损失来训练外观特征提取模块,使得网络模型能以一种端对端的方式来优化权重。（3）基于二源运动预测的多目标跟踪算法。在存在大量转弯、加减速等非线性运动的复杂视频场景中,简单的线性运动模型往往表现乏力。因此,该算法提出采用在文本翻译、语音识别等领域中展现出卓越的序列数据处理能力的Transformer结构构建运动模型,实现对目标位置变化规律的感知以及在后续帧的位置预测。目标的历史位置差被用来提取目标本身运动带来的非刚体位置变化信息,并用增强相关系数法ECC提取连续视频帧之间的仿射向量来提供刚体位置变化信息。这两类信息分别被两个全连接层扩充信息尺度后,输入到网络模型中予以预测目标当前的位置,从而提升了预测准确度。同时,该运动模型也能够简易地部署到其它跟踪框架中来提升跟踪性能。本文将提出的视频多目标跟踪算法在多个被研究者们认可且广泛应用的公开实验数据集上进行了评估并与其它优异的跟踪算法进行了定量的比较。通过分析实验结果,可以发现提出的方法是十分有效的,它们能够有效地缓解上述几个关键性问题,并提升基于深度学习的视频多目标跟踪算法的整体性能。