多摄像头多目标跟踪应用于自动驾驶、视频监控等多个领域,是当前学术界和工业界共同关注的热点。在复杂背景条件和目标遮挡等情况下,如何实现多个目标在多个摄像头下进行实时有效地跟踪,是一个具有挑战的问题。为了进一步提升跟踪鲁棒性和算法效率,本文就多目标跟踪中的姿态估计及其并行加速算法,跟踪中基于姿态的数据关联、多摄像头多目标中的轨迹特征设计与关联等问题展开研究。首先,提出了一种基于CUDA的并行多人姿态估计算法。该算法包含两个模块,第一个模块对冗余检测输入进行姿态提名,该模块使用对称STN网络中心化行人图片,采用SPPE网络进行单人姿态估计得到冗余姿态结果。第二个模块是基于CUDA的冗余姿态去除算法,首先设计了基于GPU平台的并行计算姿态距离计算算法,然后基于CUDA框架优化了非极大值抑制的计算流程,最后,设计了基于GPU平台的并行姿态融合算法,从而得到准确的多人姿态检测结果。在MOT15数据集上的实验结果表明,本文提出的算法能实时有效实现多人姿态提取。其次,提出一种基于多人姿态估计的在线多目标跟踪算法。该算法使用卡尔曼滤波作为跟踪器,使用二部图为跟踪与检测的实时关联问题进行建模与求解。针对行人的姿态估计能比通用检测更好地应对行人部位遮挡,漏检率更低,而姿态估计结果中又包含人体关节点信息,本文针对这些关节点设计卡尔曼滤波状态转移方程。同时,基于行人姿态信息和行人行走运动中的观察,设计了姿态距离、上身躯干边界框交并比作为关联线索进行实验,比较不同关联线索的性能。实验结果验证了提出的算法可以在遮挡和背景干扰时,对多个目标进行有效的跟踪,且具有较强的鲁棒性、实时性和准确性。最后,基于高速多目标跟踪,提出了一种利用深度特征进行全局关联的多摄像头多目标跟踪算法。该算法在稀疏场景下,使用目标检测输出的检测框运动信息进行多目标快速跟踪,有效减小生成初始轨迹的计算量。在轨迹中断和跨摄像头场景下,为轨迹设计基于时空约束的特征提取方案,使用行人再识别神经网络提取深度特征,使用最小费用网络流算法全局关联轨迹片段。NLPRMCT数据集上与同样采用最小费用网络流的算法比较结果验证了提出算法的有效性和实时性。