多目标跟踪技术是计算机视觉任务中重要的子课题,在智慧安防,自动驾驶,自动导航,导弹制导,群体分析等方面有着重要的意义。长期以来很多工作都在致力于提高多目标跟踪的精度,并努力构建一个实时多目标跟踪系统。伴随着目标检测技术的蓬勃发展,基于检测的多目标跟踪算法发展也极为迅猛。现有多目标跟踪算法在目标表达,线索融合,分配关联等方面入手,不断提高算法效果。但现有算法依然在不同程度上存在运行速度慢,特征不鲁棒,无法处理检测器的错误等问题,本文也从强化线索表达和数据关联两个方面入手,克服现有算法的挑战。强化线索表达方面,提出检测算法与提取特征并行的多目标跟踪算法,解决时效性问题,使多目标跟踪算法实时成为可能。提出全局特征和局部特征相结合的多线索策略,解决检测器错误和潜在的遮挡问题。数据关联方面,提出基于上下文内容的自适应多线索融合策略,差异化为每个目标轨迹分配融合系数,具体提出了以下研究方法:第一,提出了基于特征融合的并行多目标跟踪方法。传统的特征图融合策略在融合的过程中传递的高层信息会削弱的问题,我们提出跨层向下级联来解决语义丢失的情况,利用Res Net-50获得的高层特征图与底层所有的特征图级联,让语义信息在各层特征图上更为增强。为了提高算法的速度,我们提出在检测目标的同时提取目标特征的并行策略,摆脱“先检测再提特征”的模式,在验证集上我们也做了比较。第二,提出了局部感知的多目标跟踪算法。为解决检测算法不准确和全局特征不对齐的问题。我们提出基于局部感知分类的局部对齐策略,重点克服半遮挡和检测器性能不好的挑战,对匹配的目标采用利用可见的局部特征做匹配,更符合人类思维并在公开的评测平台进行了算法对比。第三,提出基于上下文的自适应多线索融合跟踪算法。为有效结合各部分线索,我们提出了基于上下文的自适应融合线索策略,对不同目标考虑其周围邻域内其他目标的属性,采用差异化的融合系数对多线索进行优化结合。最后将这种策略添加到几种手动参数设置的实验中并加讨论。