在实时视频场景分析,如在机器导航、自动驾驶和视频监控系统中,在线多目标跟踪技术起到了重要作用。随着GPU计算能力的提升和深度学习网络在目标检测方面的应用,基于检测的方法成为当前主要的研究方法,大多数的多目标跟踪算法是在检测的基础上进行数据关联,因此,如何鲁棒地将复杂场景视频中的目标检测结果与已有轨迹进行关联具有很大的挑战性。目前常用的匈牙利算法和KM匹配算法对检测算法的依赖性较强,在场景复杂、运动多变且遮挡频繁的画面中,身份转换次数较高,容易出现轨迹片段化现象,无法应对各种实际场景。本文将卷积神经网络提取目标外观特征与图卷积神经网络解决二部图匹配引用到多目标跟踪算法的数据关联部分,针对目标遮挡和目标相互交错的现象改进多目标跟踪算法。为了直接提升多目标跟踪评价指标MOTA和MOTP,还利用可导的匈牙利算法实现端到端的多目标跟踪算法,论文的主要工作有:(1)针对复杂场景中目标相互交错遮挡的现象,本文设计了提取区分被检测目标外观特征的卷积神经网络模型,构建目标匹配的二部图结构,利用图卷积神经网络解决加权二部图匹配的数据关联,根据地面真实值矩阵和图匹配网络最后输出的假设估计矩阵提出多级矩阵损失函数,并利用MOT17数据集进行参数优化;(2)为提升多目标跟踪评价指标MOTA和MOTP,提出了基于深度循环神经网络的可导匈牙利算法,实现端到端的多目标跟踪算法。传统的匈牙利算法是不可导的,无法使用神经网络进行反向传播,因此,本文定义了新的匹配算法,使用双向递归神经网络模拟匈牙利算法,利用可导的损失函数进行网络反向传播。提出的两种算法分别在MOT17和MOT15数据集上进行测试,实验结果表明提出的两种算法都优于现有的四种算法,其中,基于图卷积的多目标跟踪算法在MOT17数据集上ID＿Sw身份交换次数明显下降,相对于在线RNN＿LSTM端到端的多目标跟踪算法,ID＿Sw提升了26.6%,基于可导匈牙利算法相对于该算法在MOTA和MOTP指标上分别提升了5.1%和4.4%,并且对于具体的视频进行跟踪效果展示。