多目标检测和跟踪方法是目前视觉领域的重要组成部分,该方法已经广泛应用于智能驾驶、公共安防等领域。由于复杂多变的现实环境、运动目标的不规则性和目标数量的未知性等内外干扰因素,使得现有的多目标跟踪算法运用于实际问题时在准确性、鲁棒性方面仍有较大不足。本文在福建省重点科技项目（2017H6009、2018H0018）的支持下,针对多目标跟踪过程中目标存在遮挡、尺度变化以及目标数量不固定等复杂情况,提出基于检测的在线多目标跟踪方法,并在此基础上分别提升了目标检测和跟踪算法的精度。本文主要研究成果如下:一、提出基于深度残差网络多优化策略的目标检测方法。针对复杂场景下目标检测存在误检、漏检等问题,提出基于深度残差网络的目标检测方法。该算法首先通过调整深度残差网络形成5个多尺度预测网络,然后在特征图深入融合过程中对残差连接引入二阶项来减少损失,最后在模型的训练阶段采用了数据增广策略。在PASCAL VOC数据集上测试,实验表明本文模型的检测精度比原模型提高了2.1%。二、提出尺度比例和外观模型自适应的相关滤波方法。针对现有的相关滤波算法在目标尺度变化和遮挡等情况下导致跟踪漂移的问题,分别提出针对性的改进方法。该算法在相关滤波方法中引入了尺度滤波器和自适应模型更新策略。尺度滤波器根据前后帧目标尺度的变化调整尺度池的范围,使得尺度比例自适应,同时在算法中加入外观模型自适应更新策略,增强模型的判别能力。在OTB数据集的50段视频序列上测试,实验结果表明本文改进的相关滤波方法比原始算法在重叠成功率和中心距离精度方面分别提升了10.1%和1.9%,本文算法表现出更强的鲁棒性。三、提出相关滤波优化的马尔科夫决策在线多目标跟踪算法。针对现有多目标跟踪算法在频繁遮挡以及交互情况下导致多目标跟踪精度降低的问题,该算法在马尔科夫决策过程中融入改进后的相关滤波,使用尺度和外观模型自适应的相关滤波作为跟踪模块跟踪多个目标,将跟踪目标的历史信息、相关滤波的最大响应值以及平均峰值相关能量相结合作为约束条件来判断继续保持跟踪还是转为丢失状态,有效降低每个目标状态的错误转移。在MOT2015数据集的实验结果表明,本文算法比原始算法在多目标跟踪准确度指标上提升了2.2%,ID错误变换次数下降了7.8%。综合上述,由于目标检测和跟踪算法还存在一些不足,本文分别使用针对性的优化策略来有效提升算法的精度。在对应的数据集上与其他算法进行多角度实验对比分析,实验表明本文改进后的算法在各种复杂场景下表现出较好的鲁棒性。