无论在军用还是民用方面，目标跟踪都广泛应用于生产和生活领域。面对迁徙的动物群、机场内的飞鸟、无人机群等进行跟踪时，需要对这些目标整体进行自动跟踪处理并获得每个个体的运动轨迹。因此，群目标跟踪技术的研究具有广泛的应用前景。但是，由于群目标跟踪过程中，干扰较多、尺度范围较大、目标种类多、背景复杂多变，跟踪任务面临一系列挑战，这使得群目标跟踪技术的研究需要较高的理论基础。针对这些问题和难点，本文以这些高度相似的运动多目标整体为对象，深入研究了面向群目标的跟踪技术。
　　本文构建并标注了一个群目标跟踪数据集。整个数据集共包括2411帧，目标13109个。其中涵盖了多种不同的目标类型、不同的尺度、不同的背景、不同的目标运动方式。数据集还包括了目标形变、目标遮挡、小目标、尺度变化等不利于稳定跟踪干扰因素。
　　针对静态模板跟踪性能不佳和基于前一帧跟踪结果的动态模板容易受到背景污染的问题，本文提出了一种迭代模板设计思路。该方法利用时序信息和目标响应度，在跟踪过程中对目标模板进行自动动态更新，使得跟踪过程中模板的适应性增强。本文将提出的模板设计方法与全卷积孪生网络结合并进行实验。实验发现新设计的迭代模板与静态模板具有不同的优势状态域。针对这个发现，本文进一步提出了一种融合模板设计方法，利用不同模板的响应度，自适应的进行动态模板和静态模板的融合设计。实验结果表明融合模板提高了群目标跟踪的性能，并在不同的干扰因素下均有较好效果。
　　针对群目标在跟踪过程中邻近目标间相互干扰的问题，首先本文提出了一个图相似性评价指标，然后本文将这个评价指标、融合模板与全卷积孪生网络结合，提出了基于图相似性约束的群目标跟踪算法，利用帧间的图相似性约束提高跟踪性能。消融实验结果表明加入图相似性约束后可以有效提高群目标跟踪性能。