基于监控视频的车辆目标跟踪对于道路运行状态感知与异常事件检测具有重要的应用价值,一直以来都是智能交通领域的研究热点。但在高速公路外场的监控视频中,车辆目标存在遮挡频繁、多尺度、变尺度等问题,以及外场环境存在阴影干扰、恶劣天气、光照变化等不稳定因素,这给车辆目标跟踪带来了很大的挑战。CenterTrack是经典的联合检测跟踪模型,但尚存在跟踪精度不足和遮挡情况下易发生ID跳变的问题,因此,研究基于CenterTrack的高速公路外场场景下的车辆跟踪算法,提高其跟踪精度与速度,具有重要的理论和实际意义。论文围绕CenterTrack的特征提取网络和跟踪匹配策略,改进了CenterTrack的多输入特征融合方式,改进Res Net网络得到表示力更强的主干网络Res Net++,使模型能够更好的提取特征。同时为了解决跟踪时因为遮挡造成的ID跳变和跟踪漂移问题,提出了添加重识别分支和Centerness分支的改进方法,并设计了级联的目标匹配方法,提高了跟踪模型对遮挡目标的鲁棒性。论文主要工作和贡献如下:（1）针对CenterTrack跟踪精度不足的问题,改进其多输入特征融合方式,提出了级联的多输入特征融合方法,提高多输入信息的利用有效性;针对网络的通道不平衡问题,通过在输出分支处使用SE模块引入通道注意力机制,提升CenterTrack算法的检测精度。（2）针对CenterTrack算法的特征提取网络DLA计算量大、推理速度慢的问题,在Res Net网络的基础上,使用了深度可分离卷积和反转瓶颈的设计,并重新设计了Res Net的前四个卷积阶段中Block的比例关系。通过多种改进策略设计了特征提取能力更强的网络Res Net++,在提升跟踪精度的同时达到了实时的推理速度。（3）针对CenterTrack无法跟踪遮挡或暂时消失目标的问题,将车辆重识别引入跟踪算法,并与其他分支进行联合训练来提升算法对于遮挡目标的鲁棒性;添加Centerness分支估计模型输出的边界框的回归质量,减少误报检测框的出现。在跟踪匹配阶段,使用了重识别特征与IOU特征级联的匹配算法,提升车辆目标跟踪的准确率和连续性。综合上述改进,形成一种基于改进CenterTrack的车辆跟踪算法。在公开的车辆跟踪数据集KITTI和自建的高速公路车辆跟踪数据集上进行测试,实验结果表明与其他的多目标跟踪算法相比,论文提出的改进方法提升了车辆跟踪的准确率和速度,达到了较好的跟踪效果。