在计算机视觉领域中,多目标跟踪是一个研究的热点方向,具有重大的学术价值。例如智慧城市中的全自动、全天候、实时监控的智能视频系统。在传统视频监控系统中,对于多目标跟踪,存在耗费大量人力资源和不能实时处理等问题,需要采用计算机视觉技术对监控画面进行智能分析与处理。基于深度学习的多目标跟踪技术是一种高效的端到端学习框架,深度神经网络模型是一种用于捕捉与目标跟踪位置强相关信息的有效方法。在实际复杂场景,如人群密度高、遮挡严重的区域,以及面临背景干扰问题等情况下,多目标跟踪轨迹的效果还是差强人意。为了提高轨迹预测的效果,本文通过提出基于深度学习的多目标候选区域特征提取方法以及结合轨迹置信度的分层关联策略,建立了基于残差网络的多目标预测轨迹分层关联模型。具体方法如下:首先通过卡尔曼滤波方法对跟踪目标运动进行预测,然后通过基于深度学习的目标检测方法,对跟踪目标所得到的候选框进行纠正,从而提高目标所在位置的跟踪准确率。然后通过分类网络对跟踪目标进行精确的分类。其中,在处理相似特征的目标时,基于神经网络生成每个目标的深层次隐藏特征,进而将最相似的轨迹链接起来,并通过区分两个重叠交错的候选轨迹,达到减少轨迹丢失,保持跟踪的稳定性的目的。最后通过分层数据关联方式对跟踪目标在不同帧生成的轨迹进行精确匹配。通过实验验证,本文所提出的模型在处理多目标跟踪过程中出现的误检问题、提高识别准确率方面,比现有方法有了一定的提高。