多目标实时跟踪是目前很热门的研究领域,它属于视觉感知领域中的中心范畴。以视觉为基础的多目标轨迹追踪的主要目的是在公共场所实现对行人目标进行实时的定位追踪。通过设置阈值,使目标追踪期间目标行人ID不发生变化,并在单次追踪结束后对行人未来帧的运动状态和运动位置进行合理预测,以实现持续的轨迹追踪。本文主要针对地铁客流场景下,多目标客流追踪算法的目标图像特征信息提取不足的问题进行研究,研究更适合本文场景的实用型DeepSort算法。本文将DeepSort算法分为三个模块,分别为客流图像检测与特征提取模块、客流目标特征匹配模块以及客流目标未来帧的位置预测模块,本文针对DeepSort算法的目标检测与特征提取模块进行了替换,从根本上提高了客地铁流目标轨迹追踪的效率。文章主要贡献如下:从准确率、召回率和AP这三个主要的评价指标入手,分别对YOLOv3地铁客流目标检测算法和Faster R-CNN地铁客流目标检测算法在地铁客流数据集上的检测效果进行了对比。以漏检数、虚警数和以此为数据基础计算得出的多个综合指标为主体评价标准,对比了DeepSort地铁客流目标追踪算法和Da Siam RPN地铁客流目标追踪算法在地铁客流数据集上的追踪效果,选出了在本文场景下表现更好的目标检测算法和目标追踪算法。针对DeepSort算法在地铁客流轨迹追踪场景下图像特征提取不足的问题,以加入了尺寸大小为k的1D快速卷积层的SE模块（ECA-Net）为基础,在不降低向量维度的前提下,提取局部通道间的交互信息。将ECA-Net模块嵌入Res Net50网络中,并将该网络作为目标检测算法的骨干网络,共同完成目标检测任务。在地铁客流追踪场景下,将基于ECA-Net的目标检测算法,引入到DeepSort多目标追踪算法中,提出了一种基于有效通道注意力机制的DeepSort地铁客流轨迹追踪算法,有效地解决了DeepSort算法对地铁客流特征提取不充分的问题。在地铁客流数据集上针对改进后的算法进行测试和评价,各项综合指标均有提升,结果有力的表明改进之后的行人重识别算法模型在行人特征表达方面具有更强的鲁棒性,可以达到更加高的识别精度。