视频多目标跟踪主要利用视频上下文信息,对多个目标的外观信息和运动信息建模,实现对目标运动状态的预测和更新,并标记出目标轨迹。视频多目标跟踪涉及了深度学习、机器学习、最优化算法等多个方面的理论知识。随着计算机硬件和数学理论的发展,各种视频多目标跟踪系统纷纷实现,尤其广泛应用于行为识别、交通监控、智能驾驶、人机交互和无人机监控等,在视频目标跟踪领域的深度和广度上有着不同程度的应用。本文围绕随机有限集在视频多目标跟踪中的应用,结合深度学习与相关滤波知识,展开深入研究,取得的主要成果如下:1.针对结合检测器检测信息的视频多目标跟踪中,由于频繁的目标交互运动导致目标被遮挡、漏检、身份标签跳变数增加等问题,提出一种运动信息优化相关滤波的多目标跟踪算法。该算法在获得目标检测信息后,采用核相关滤波（Kernelized Correlation Filter,KCF）对目标进行跟踪,并对目标的运动信息进行建模,用于处理检测器结果不精确,目标被长时间遮挡无法跟踪的问题,减少碎片化的轨迹。同时在核相关滤波的基础上引入置信图的平滑约束来评估目标被遮挡程度,实现核相关滤波中目标模板的自适应更新,以处理目标由于遮挡而产生的模板污染。最终在MOT Challenge的MOT17数据集上进行实验,结果表明,与传统的检测跟踪算法IOU17相比,该算法能处理被遮挡目标的位置预测,在多目标跟踪正确度MOTA指标上提高了2.43%,具有更好的稳定性和精确度。2.针对视频多目标跟踪中,简单运动信息的建模难以有效应对多目标的复杂运动,出现大量失跟误跟,提出一种融合相关滤波的GM-PHD视频多目标跟踪算法。本算法通过关联矩阵对跟踪目标进行分类,融合相关滤波的思想,对漏检目标进行跟踪,并加入特征金字塔的思想,提取目标的深层图像信息和浅层图像信息,对被遮挡的目标不更新目标模板和参数,进而降低目标模板的污染程度,减少误跟框。对于已经被遮挡的目标,采用高斯混和概率假设密度滤波（GM-PHD）对其进行位置预测和更新,若后期目标重现,GM-PHD将会重新关联上目标标签,从而减少碎片化的轨迹,弥补检测器因目标遮挡而漏检的缺点。最终通过在MOT17数据集上的实验结果证明,与目前有关GM-PHD最好的跟踪算法GMPHDOGM17相比,多目标跟踪正确度MOTA指标上从49.9提高至50.3。3.针对视频多目标检测跟踪中存在大量虚假检测和漏检问题,提出一种融合多检测的GM-PHD视频多目标跟踪。本算法通过引入新型目标检测器Efficient Det,首先进行检测器的训练,将训练好的Efficient Det检测结果分别与DPM、FRCNN、SDP相融合,减少原检测器的误检数目和漏检数目,过滤掉一些错误检测,并在原算法的基础上加入多标签窗口平滑滤波,减少由于目标长期被遮挡而产生的目标身份跳变数,从而进一步提升跟踪精度。实验证明,本算法能提高在某些视频序列上的跟踪效果。