随着视频分析智能化的逐渐普及,多目标跟踪（Multi-Objects Tracking,MOT）作为视频分析领域的一个热点任务也逐渐成为一个重点研究方向。现在流行的跟踪方法一般是基于检测的跟踪方法,即先用目标检测算法将每一帧中的多个目标框出,然后再使用运动模型和外观模型计算各帧各个目标之间的关联程度,最后将属于同一个体的目标连接起来形成轨迹。基于目标重识别的多目标跟踪方法是目前比较主流的一种方法,目标重识别（Re-Identification,ReID）网络能够把不同场景、角度以及光照下拍摄的同一目标联系起来,所以常被用来作为多目标跟踪中的外观模型,目标重识别模型的好坏将对使用该模型的多目标跟踪方法性能产生巨大影响。本文主要研究基于目标重识别的多目标跟踪方法,致力于同时对视频流中多个目标进行在线跟踪,同时也致力于提高目标重识别网络的鲁棒性进而提升使用该网络的多目标跟踪方法的性能。基于目标重识别和多目标跟踪的基本理论,本文主要完成了如下工作:第一,对两种不同结构的ReID网络进行了介绍,并分别对其比较适合的跟踪状态进行了分析,提出了随跟踪状态切换ReID网络的多目标跟踪方法。根据两种ReID网络的特点充分扬长避短以达到更好的多目标跟踪效果,并依据此策略制定了特殊的层次化数据关联算法,该方法在实验中也得到了较高的跟踪准确率。第二,针对目标重识别中的遮挡问题进行了分析,提出了一种针对遮挡问题的目标重识别方法,在自适应学习多个关注区域的同时,也学习各个关注区域的可见程度。通过降低可见程度低的区域对距离度量的影响,增强网络应对遮挡的能力,提高目标重识别网络的鲁棒性。并且本文针对该目标重识别网络应用到多目标跟踪后的性能进行了实验,达到了较好的效果。第三,提出了保留关键帧特征的跟踪策略,如果轨迹上行人在某一帧中各个关注区域可见程度值都很高,本文称该行人在该帧中的特征为关键帧特征,本方法对其进行单独保留,并综合轨迹上最新帧特征和所保留的关键帧特征进行目标关联,增强了跟踪系统的鲁棒性。