视觉多目标跟踪技术作为图像处理最热门的研究方向之一,现已被广泛应用在智慧交通、智能监控等领域。但是考虑到跟踪场景中目标尺度多样性、跟踪对象数目变化、跟踪身份误变换等问题,本文从目标检测、跟踪模型建立、目标轨迹管理、数据关联、关联线索进行深入研究,主要完成了以下工作:首先,完成多尺度行人检测算法设计。对比分析当前常用检测算法存在的不足,选择以YOLOV3为基础的检测算法框架进行改进,依据分类准确度和网络轻量性的原则以SE-Res Net构建基础网络,并在搭建多尺度特征金字塔时嵌入局部多尺度的信息,并在不同场景中和常用的检测方法进行对比分析,有效验证了本文检测算法的准确性。其次,从目标跟踪模型建立出发,对比分析各模型后提出基于Kalman预测和检测关联的多目标跟踪算法,结合Kalman滤波状态和检测结果生成距离阈值,提出基于空间信息相似度度量作为数据关联的线索,并构建目标生命周期管理机制以有序管理不同状态的目标轨迹。实验结果表明基于Kalman扩展的多目标跟踪能够实现实时、准确的跟踪,但其在身份误变换（IDsw）问题上算法仍需探讨与研究。然后,为应对由空间信息关联中高频出现的IDsw问题,提出了增加表观信息作为数据关联线索的多目标跟踪方法。本文从提取表观信息的网络出发,对有效确认已出现ID的方法进行研究,分别设计了基于三种损失函数的目标分类和基于判别和生成学习的表观信息提取网络,并在大规模重识别数据集上完成训练。最后,基于Kalman预测和检测关联的多目标跟踪基础上,将设计的两种网络得到的表观信息迁移到多目标跟踪中,并引入了表观特征的度量方法,提出了基于空间信息和表观信息的多层数据关联机制,然后对比分析两种网络提取的表观特征的表征能力,实验证明融入表观信息的多目标跟踪增加检测和跟踪轨迹之间关联的线索,减少了IDsw,增强了跟踪算法的可靠性。此外,基于判别和生成学习获得的表观特征其在关联匹配中更加可靠。