多目标跟踪是计算机视觉中一项重要的的任务,在自动驾驶、视频监控等领域有着广泛的应用。该任务旨在跟踪视频中出现的所有目标,具体而言是将当前视频帧中检测出的目标与历史帧中的目标进行匹配。近年来,深度学习算法在图像和视频任务上取得了重大突破,也得到了广泛应用。基于深度学习的多目标跟踪模型目前主要包括两类:检测跟踪（Tracking-By-Detection,TBD）模型和联合检测与嵌入（Joint detection and embedding,JDE）模型。TBD模型先检测目标,再进行跟踪匹配,JDE模型的检测和特征提取可以共用基础网络,模型参数量更少。多目标跟踪任务仍然存在很多挑战,如遮挡、光照、运动模糊等,此外误检、漏检、目标的出现与消失、相似目标的干扰,也会影响跟踪性能。针对以上问题,本文研究了多目标跟踪中几类不同的模型,并对其进行改进。主要研究内容和贡献如下:首先,遵循TBD范式,提出基于光流的运动模型,用于预测目标的运动。使用Faster-RCNN检测目标,利用运动预测优化目标交并比（Intersection-over-Union,IoU）,再结合行人重识别（Reid）特征计算目标相似度,最后使用匈牙利匹配算法实现了多目标跟踪。其次,本文探究了基于Transformer的多目标跟踪。Transtrack模型是视觉Transformer在多目标跟踪领域的有效尝试,本文研究了其推理过程,应用Reid模型提升跟踪性能,并对同样基于Transformer的Reid模型TransReid进行了优化。最后,针对视觉Transformer对算力的高要求,本文将Transformer中的注意力机制应用在联合检测与嵌入模型FairMOT上,有效降低了 ID切换次数,提升了 IDF1指标。