多目标跟踪(Multi-Object Tracking,MOT)是计算机视觉领域的一个重要研究方向,在现实生活中具有广泛的应用场景。近几年,目标检测算法取得了巨大的进展,使得基于数据关联的多目标跟踪算法成为了当今的主流算法,很多科研人员对其中的数据关联方式和目标相似度计算方式提出了不同的设计方案,并取得了良好的效果,但在多目标跟踪的过程中,依然存在很多问题,比如在复杂场景下,数据关联过程的时间复杂度高、目标容易被视频背景中的物体或其他目标所遮挡、以及位置相近的不同目标具有相似的表观特征等,这些问题都会影响到多目标跟踪算法的鲁棒性和准确性。为了缓解上述问题在多目标跟踪中的影响,本文提出了一种新的数据关联方式和表观相似度计算方式。在数据关联方面,为每一条跟踪片段计算其置信度,根据置信度的大小,将所有的跟踪片段分为高可靠度跟踪片段和低可靠度跟踪片段两部分,并为高可靠度跟踪片段进行局部数据关联处理,为低可靠度跟踪片段进行全局数据关联处理,可以有效降低关联算法的时间复杂度。在全局数据关联过程中可能出现遮挡情况时,将跟踪目标分成若干个小块,利用两个目标之间对应小块的相似度来计算两个目标整体的相似度,能够有效缓解在跟踪的过程中出现的局部遮挡问题。在相似度计算方面,本文将基于卷积神经网络的表观模型与基于卡尔曼滤波的运动模型相结合来计算两个目标的相似度分数。首先在辅助训练集上训练一个卷积神经网络,将需要比较的两个目标图片进行尺度变换,得到多张图片,将多张图片合并为一张多通道的图片送入卷积神经网络后得到两个目标的表观相似度分数,与常用的孪生卷积网络相比,本文的网络结构计算速度更快。然后利用卡尔曼滤波算法预测目标在当前帧的运动状态,计算其与当前帧检测响应的运动状态的相似度。与原有的相似度计算方法相比,本文的相似度模型更具有判别性。利用多目标跟踪评测(MOT Challenge)的公开数据集对本文提出的算法的性能进行了验证,实验结果表明,本文提出的算法在目标受到局部遮挡以及不同目标具有相似表观特征的情况下依然具有良好的鲁棒性。