多目标跟踪因为其重要的学术价值和非凡的商业潜力,在计算机视觉领域备受关注,例如在自动驾驶、航空航天、医疗诊断、智能监控等众多领域得到了广泛的应用。在最近的十几年中,研究人员已经提出了大量的创新算法来研究这个课题,多目标跟踪的技术取得了很大的发展,但在面临诸如目标重叠、外观剧变、光照变换、身份跳变等问题时,仍然存在着重大挑战。本文旨在从多目标跟踪中的数据关联出发,利用行人重识别技术,分别与多假设跟踪、图匹配算法融合,对多目标跟踪进行研究,在假设树的构造方式、求解匹配结果以及解决多目标跟踪的身份跳变、遮挡问题等方面取得一些创新的研究成果。本文的主要创新点可以归纳为以下两个方面:（1）虽然多假设跟踪考虑了所有可能的连接关系并获得最佳轨迹,但导致了它运行缓慢和高内存消耗;另外在面对复杂的场景（例如拥挤的场景和遮挡）时,由于没有历史信息的辅助导致错误关联,从而出现身份转换。为了缓解上述两个问题,本文提出一个一种基于身份再识别的多线索多假设跟踪的多目标跟踪算法,将行人重识别特征判别、度量学习、相关滤波作为线索融合,为多假设跟踪建立假设树挖掘多假设跟踪的潜力,同时保留历史信息利用行人重识别重新识别丢失的目标,从而有效缓解了多假设跟踪中由于假设分支过多导致的指数增长问题,并且减少了多目标跟踪中的身份跳变问题,解决了跟踪失败的恢复问题,从而提高了多目标跟踪算法的精确性。（2）现有的基于深度学习图方法大多增强单个目标特征表达,而忽略了目标之间的关系,这使得模型无法挖掘目标之间信息。在复杂的场景下,表观相似的目标之间难以区分,而且多目标跟踪的对象具有数量不确定性,导致了很难利用神经网络实现多目标跟踪的过程。为了解决这两个问题,本文针对行人设计了一种基于图卷积的端到端的完全可微的框架,这是处理轨迹与目标之间、目标与目标之间的数据关联的新范式。利用深度图匹配找到图之间的节点对应关系,以使对应的节点和边相似度最大化,即相同身份的目标之间的相似度最大,挖掘了目标与目标之间的关系,有效的提升了匹配的准确性。本文采用端到端的训练,该方法所有模块相互协作,从而减少了参数调整工作,进而提高了模型自适应性。