本文对跨视场多目标跟踪与轨迹预测问题进行了研究。该问题主要分为三个部分,分别是单视场多目标跟踪、跨视场目标重识别和轨迹预测。本文针对这些领域的研究难点提出了新的算法,并通过实验论证了本文算法的性能。在单视场多目标跟踪部分,本文提出了一种基于长短时记忆网络的的多目标跟踪算法。算法将长短时记忆网络应用在位置、速度、互动和外观四个子模型中,并根据子模型所得相似性分数进行目标与检测框之间的关联。在进行目标关联时,结合轨迹自身的特点,使用预关联的方法来减少时间上的消耗,并使用网格搜索的方法得到若干阈值来减少误报和对缺漏检测框进行补全,以提高算法在困难场景下的鲁棒性。在跨视场目标重识别部分,本文提出了一种基于长短时记忆网络和注意力机制的目标重识别算法。其中,帧内长短时记忆网络模型可以学习目标特征在竖直方向的对齐,帧间长短时记忆网络模型用于学习目标特征在时序上的变化。本文还设计了一个注意力模型来进一步学习序列级别的特征,改变不同质量图像帧的权重,使最终得到的特征向量能更好地用于目标的重识别。在轨迹预测部分,本文提出了一种基于长短时记忆网络的轨迹预测算法。算法为序列到序列结构,结合了目标自身的轨迹特征、背景环境约束和邻近目标约束,使所预测的轨迹更加合理。本文对所提出的算法进行了大量的实验,与先进的算法进行了对比分析,并对模型内部各模块进行了分析实验,论证了所提出算法的性能。