多目标跟踪技术是计算机视觉领域里重要的研究内容,大量应用于视频监控、自动汽车以及军事医疗等领域。不同于单目标跟踪,多目标环境下的跟踪方法涉及到多个对象,需要先对各个对象定位后再依次进行跟踪,计算复杂度较高。特别是在跟踪框预测阶段,现有的方法需要计算大量参数,实时性难以保证。此外,在多目标环境中,容易发生多个目标之间相互遮挡的现象,如何及时判断遮挡并重新匹配目标也是多目标跟踪的研究难点。针对以上问题,本文提出了基于相关滤波和孪生网络的多目标跟踪算法,旨在通过轻量化模型对多个目标实时跟踪,并能有效地实现遮挡检测和目标重匹配。本文的主要研究内容如下:（1）目前主流的多目标跟踪算法,在跟踪框预测阶段大多基于深度学习,参数量较大,难以满足实时性要求。对此,本文提出了基于多尺度相关滤波的跟踪框预测方法。该方法通过尺度检测模块,根据上下文信息能够准确地描述出目标大小变化,并采用无监督的特征降维减少算法计算量,通过响应插值提高了对跟踪框的预测性能。实验结果表明,相比于基于深度学习的跟踪框预测算法,该方法参数量较少,计算速度快,有效地提升了多目标跟踪的速度。（2）多目标场景下,跟踪的各个目标之间容易发生相互遮挡,导致检测目标失效、目标ID错误等问题。对此,本文提出了基于阈值响应与孪生网络的目标重匹配方法,该方法首先通过计算预测框和检测框之间的Io U值快速判断是否发生遮挡,再通过基于孪生网络的目标匹配模块对遮挡前后目标进行相关性判断。实验结果表明,本文提出的方法可以有效地实现遮挡检测和目标重匹配,提高了跟踪准确率。