多目标跟踪是数字图像处理和视觉领域的关键问题,包含检测识别和数据关联等多项任务,在社会生活、工业生产和军事等领域有广阔的应用前景。随着检测算法的发展,基于检测的多目标跟踪算法逐渐流行并由此产生不同的跟踪范式。其中一段式,即联合检测与嵌入的多目标跟踪范式,通过网络共享的方式将外观特征提取过程嵌入检测器中,较好的均衡了跟踪精度与跟踪效率。但该范式存在检测依赖和跟踪鲁棒性较差等问题,在线跟踪的实时性也难以保证。此外,如何在数据关联时合理利用检测结果,减少检测信息缺失对跟踪效果的影响仍存在挑战。针对以上问题,本文对基于联合检测与数据关联的多目标跟踪算法做了如下研究工作:（1）基于中心点检测的一段式多目标跟踪算法存在热力图定位偏差和外观特征图可学习范围较小等问题,导致外观特征提取过分依赖于检测精度,从而影响跟踪效果。针对此问题,提出加强重识别的多目标跟踪算法。该算法针对检测偏差问题设计检测偏差损失,通过抑制预测热力图中非真值位置的响应值大小,使高响应值向目标真值位置逼近,从而减小检测偏差对外观特征提取的影响。针对特征范围,提出可学习特征范围动态扩充策略,根据目标尺度对其在重识别特征图上的可学习特征范围做自适应扩充,从而降低特征选择对检测精度的要求。实验分析表明,该算法在MOT16和17数据集上的跟踪精度达到71.5%和70.6%,目标识别精度达到71.7%和71.0%,验证了所提算法能在不影响跟踪速度的情况下加强跟踪稳定性。（2）针对跟踪实时性、外观特征易混入背景噪声和数据关联时的检测信息遗漏等问题,提出YOLOXs-MOT。该算法利用YOLOXs解耦头的特点以极小的计算代价嵌入外观特征提取模块。针对嵌入特征易混入背景噪声的问题,提出二次筛选策略,在训练时利用标注框对预测正样本进行二次筛选,去除偏移距离较大的样本。针对检测信息遗漏问题,提出跟踪阈值分离策略。在不同的匹配过程使用不同的置信度阈值既可为相似度匹配提供高质量的外观特征,又能为Io U匹配提供更多待选边界框,使检测信息分配更合理。通过实验分析,该算法在MOT17和20数据集上的跟踪精度达到70.5%和65.1%,在移动电脑端上的在线跟踪速度达到24.4FPS和8.5FPS,验证了所提算法的有效性,在实现较高跟踪精度的同时有较快的跟踪速度。（3）多目标跟踪算法在处理目标信息缺失的问题上存在不足,容易导致漏跟和轨迹碎片化等问题。数据关联时低质量特征会影响特征匹配的稳定性,从而影响跟踪效果。针对以上问题,提出融合轨迹补偿的多目标跟踪算法。该算法在关联时对丢失目标的轨迹进行信息缺失判断,并利用轨迹预测信息对缺失信息的轨迹进行扩展,实现对缺失信息的补偿。同时提出低置信度目标特征不更新的策略,来保证特征匹配的稳定性。实验表明,该算法在MOT17和20数据集上的跟踪精度达到70.7%和65.0%,目标识别精度相比YOLOXs-MOT提升了1.2%和0.7%,轨迹命中率提升了2.5%和5%,能有效改善漏跟和轨迹碎片化问题。对多个不同关联算法和多目标跟踪算法的扩展性实验表明,所提算法在几乎不影响实时性的前提下,能有效改善信息缺失问题,且具有较强的扩展性。本文针对多目标跟踪算法存在的问题,分别从检测依赖、跟踪鲁棒性以及信息缺失等方面,提出了相应多目标跟踪算法,并对所提算法进行了大量实验验证。实验结果验证了本文算法的有效性,能针对不同问题稳定提升多目标跟踪性能。