多目标跟踪作为计算机视觉领域一项重要的基础任务,其目的为完成对视频序列中感兴趣目标的精准定位和身份判定,在自动驾驶、视频监控、人机交互、行为分析等领域上有着广泛的应用。随着深度学习的快速发展,得益于深度网络强大的特征表征能力和更多数据集的提出,多目标跟踪技术也取得了长足的进步。然而在面对遮挡、尺度变化、相似外观目标等场景时,现有的多目标跟踪算法的准确度的鲁棒性还有待提高。在实际应用中处理的数据与公开数据集之间存在着分布差异,也使得直接使用已训练好的模型难以在实际应用中获得良好的性能。针对以上两个问题,论文的主要工作和贡献如下:（1）系统梳理了多目标跟踪领域现有的研究工作,从框架原理、算法分类和关键技术等角度,阐述了该领域的研究现状和发展方向。本文首先对多目标跟踪的流程框架进行总结和原理性阐述;然后根据数据关联方式的不同对相关算法进行分类,介绍了一些代表性的研究工作,并简要分析了各类方法的优势与不足;针对跟踪任务面临的问题与挑战,本文也对框架中几个关键技术的演进和改进设计进行了深入的讨论。（2）提出了一种基于跨帧注意力孪生网络的多目标跟踪算法,有效提升了算法在跟踪过程中发生遮挡、出现相似外观目标等情况时的跟踪效果。该算法基于目标检测模块与目标位移预测模块协同的网络架构,结合目标的运动信息建模,建立外观与运动相结合的数据关联机制。算法利用孪生网络强大的前景-背景区分能力,以及运动信息在遮挡情况下对外观信息的补充,能够更加准确的预测跟踪目标在当前帧的位置,并在复杂的场景中完成目标的身份分配。该算法还引入了跨帧注意力模块,通过传递历史帧的目标位置信息来指导当前帧的特征增强过程,有效改善了跟踪过程中因单帧信息不足而可能发生的漏检、漂移问题,提升了目标轨迹的准确性和完整性。实验验证了该算法设计的有效性,并在MOT17、MOT20测试集上取得了较为先进的结果。（3）提出了一种基于高低层特征对齐的多目标跟踪无监督域适应方法。至论文收笔之日,公开发表的有关多目标跟踪无监督域适应方面的论文很难检索到,在一些重要期刊、会议上,还没有找到相关研究工作的论文,本文的研究借鉴了其他领域的相关研究工作。本文提出的方法首先使用生成对抗网络进行源域数据的风格转换,以降低源域数据与目标域的分布差异;在进行跟踪模型的训练时,采取浅层视觉特征和深层语义特征两个层次的、基于对抗训练的特征对齐,引导模型学习到域不变性质的特征。为了证明所提出算法的有效性,本文在公开数据集MOT17和MOTSynth上进行了实验验证。通过以上的域适应方法能够有效地获得目标域模型,并可以在实际应用中省去繁重的数据标注工作,具有重要的研究意义和应用价值。