近年来,随着深度学习理论和方法的飞速发展,多目标跟踪的研究成果不断涌现。然而,由于多目标跟踪任务复杂,难点众多,所以其准确率和处理效率也一直徘徊不前。在融入了深度学习的模型后,多目标跟踪算法的复杂度和计算量更是大增。此外,在现实的道路交通场景下对行人或机动车等物体进行跟踪,往往伴随着轨迹碎片化的问题、超参数的影响剧烈问题、跟踪实时性差的问题和跟踪精度不符合实际需求的问题等等。为了解决这些实际存在的问题,本文主要做了以下四个方面的创新性工作:（1）针对轨迹碎片化的问题,本文提出了基于分层检测的数据关联算法,结合弱非线性运动模型的滤波预测和线性分配算法,很好地解决了绝大部分被遮挡和模糊目标的跟踪问题,这就显著减少了假正例的引入,降低了结果轨迹的碎片化和偏离程度。本文提出的多目标在线跟踪算法在真实场景验证集上的各项评价指标都达到了优秀水平;（2）针对超参数的影响剧烈问题,本文在实现分层检测的数据关联算法时提出了一种取舍机制,根据该机制,只要低分层的检测置信度阈值不变,无论其他各层级的超参数如何变化,最后参与关联的所有检测框就都是不变的,这就使得最后的关联结果不会出现断崖式的变化,保证了本文提出的多目标在线跟踪器的鲁棒性;（3）针对跟踪实时性差的问题,本文通过反复筛选研究得到的目标检测器和线性分配算法都是为了解决多目标在线跟踪的效率问题。本文从目前主流的目标检测器中对比选择了一个在速度和精度两方面都平衡得最好的一阶段目标检测器,它强大而高效的检测性能为本文提出的多目标在线跟踪器带来了巨大的效率提升。本文采用的线性分配算法的时间复杂度是（9）~3),相比主流的匈牙利匹配算法的时间复杂度（9）~4),其速度提升显著,所以本文用它来代替了主流的匈牙利匹配算法;（4）针对跟踪精度不符合实际需求的问题,本文提出了一种针对数据集的预处理方法,该方法可以通过模拟实际应用场景的具体效果来进行数据增强,如模拟黑夜场景、运动场景和移动到远方场景的效果等,按照具体问题具体分析的思路,这种模拟方法较好地解决了跟踪精度不符合实际需求的问题。综上所述,本文针对多目标在线跟踪的四个难点问题,设计了一种数据关联算法,并据此实现了一种基于高性能检测器的分层检测与卡尔曼滤波器的两阶段多目标在线跟踪器。该跟踪器在实际应用场景的数据集上取得了良好的跟踪效果,为将来多目标在线跟踪算法的研究提供了新思路。