行人目标跟踪技术被广泛应用到了智能驾驶、行人监测和轨迹跟踪等领域中并取得了一定的研究成果。然而,实际道路场景及行人运动情况是复杂多变的。所以在目标检测的准确性、数据关联的稳定性以及兼顾检测精度与速度跟踪等方面存在许多问题。本文研究一种单摄像头场景下的行人目标跟踪算法,主要从多任务学习和数据关联信息建模两个方面展开研究。重点针对行人目标跟踪领域面临的学习任务耦合、数据关联的信息鲁棒性不足问题,对行人目标跟踪算法进行改进。研究内容如下:针对基于检测的跟踪方法存在耦合参数解码和不同任务统一特征的问题,本文提出了一种用于解耦任务特征的外观引导注意力。该方法首先使用骨干网络和通道聚合金字塔网络来处理不同尺度大小的特征图,并使用基于锚的推理方法分层预测不同尺度的目标。在解码头中,检测分支和外观分支不再共享参数学习。在外观分支上,设计并使用一种基于非局部关注网络和空间注意力的外观引导模块,从而为不同任务提供不同的关注度的特征图,以解耦任务之间的表征信息。最后,本文在不同的公开数据集上进行了实验,验证了该方法在行人目标跟踪上能够解耦任务之间的影响并具有速度和精度均衡的优势。针对基于数据关联的跟踪方法面临的数据建模与信息交互问题,本文提出一种基于卷积算子和Transformer算子相结合的信息建模方法。该方法首先需要建立基于卷积网络的回归分支和重识别分支并用于对象位置预测和重识别特征的建模。然后使用相机运动模型和重识别匹配进行目标之间的身份关联。结合两种算子的自身特性,在回归分支上设计一种混合算子建模网络,同时在重识别分支上设计一种混合算子的多尺度的池化网络模型。通过改进两个网络的信息建模能力,以进一步改善因数据关联缺少信息交互而导致的行人目标信息鲁棒性不足的问题。最后,通过在不同的公开数据集上进行实验,验证了该方法能够提供更加鲁棒的数据关联信息并且在不同的行人跟踪场景中都能提供不俗的跟踪准确度增益。