近年来,随着计算机视觉的迅猛发展,行人多目标检测和跟踪技术逐步成为了热门研究方向,并在智能监控、智能交通、人机交互和自动驾驶等领域发挥着十分重要的作用。由于复杂的环境和行人运动的特点,使得行人多目标检测与跟踪技术的发展仍然面临一定的挑战。因此,本文对复杂场景下行人多目标检测和跟踪进行了深入的研究,具体的研究内容如下:（1）针对目前的公开行人数据集包含场景较少的问题,本文采用Crowd Human数据集和自行采集的数据相结合的方式建立了实验所需的行人数据集。该自建行人数据集共有19375张图片,包含了街头、商场、广场等复杂场景。（2）针对行人多目标检测过程中存在检测速率慢、复杂背景干扰、遮挡以及小尺度行人目标漏检率高的问题,本文在YOLOv4检测算法的基础上提出了三个方面的改进:首先通过精简骨干特征提取网络,提出了轻量化的CSPDarknet-41,降低了检测网络模型的深度和参数量,有效的提升了检测算法的实时性;其次在骨干特征提取网络中引入了轻量级通道注意力机制ECA（Efficient Channel Attention）模块,增强了检测网络对行人目标局部特征的提取能力,提升了对遮挡目标的检测精确度;最后重构了多尺度输出层,在多尺度特征融合的基础上,进行了多尺度浅层特征融合,并最终增加了一个特征输出层用于对小尺度行人目标的检测,有效降低了小尺度行人目标的漏检率。在自建行人数据集上进行测试实验,并与其他常见的目标检测算法进行对比。实验表明,本文改进YOLOv4检测算法在检测速率和检测精度上都能达最优。（3）针对行人多目标跟踪过程中存在行人目标运动速度变化快、轨迹各异以及表观特征突变的问题,本文在Deep Sort跟踪算法的基础上,通过融合EKF（Extended Kalman Filter）滤波算法和DIOU匹配,有效的提升对非线性运动行人目标位置的预测和行人目标的匹配能力。在MOT20多行人数据集上验证本文提出的改进Deep Sort跟踪算法的性能,并与其他主流的跟踪算法进行对比实验。实验表明,本文改进Deep Sort跟踪算法在各个性能指标上都明显优于其他的跟踪算法,并且还能够较好的处理行人多目标跟踪过程中存在的问题。