多目标跟踪是计算机视觉领域中一个重要的研究课题,是计算机视频分析系统中不可或缺的部分,其在公共安全、海洋监视、港口监视、室内监控、群体行为分析、无人汽车驾驶、无人机自动导航等任务中起到至关重要的作用。作为计算机视觉领域中重要的一部分,研究更加准确的多目标跟踪方法具有重大意义。同时,随着近几年无人机技术日渐成熟,无人机具有小型轻便、机动灵活等优点,可以应用于安全、交通、农业等多个行业。而无人机视频具有其特有的难点和挑战,因此针对无人机视频的多目标跟踪技术研究在实际中具有重要意义。然而,迄今为止,只有极少数的无人机数据集被构建,而且大多数数据集仅限于特定的任务。因此,为了验证多目标跟踪算法的有效性,本文构建了一个具有挑战性的无人机数据集,标注了从10小时的原始视频中获取的大约80000帧,提供了超过2700个目标的大约84万个目标框,提出了新的挑战,如复杂场景、高密度、小目标、摄像机运动等。同时对现有的目标检测跟踪方法进行了评测,分析了无人机视频所带来的挑战。随着目标检测技术的发展,目标检测的效果越来越好,基于数据关联的多目标跟踪方法越来越受到广泛的关注。在现有的基于检测数据关联的多目标跟踪框架下,主要包括两个阶段,即目标表达和目标关联分配,这两大阶段都仍有提升跟踪准确度的空间。计算各个目标关联关系时,需要选择有效的特征线索,计算各个线索相似度,融合各个线索的结果。为了得到更优化的各目标之间的关联关系,本文由后端到前端提出了三个研究点:1.提出了基于自适应表观运动特征权重的多目标跟踪模型,优化各部分线索融合。大多数方法都是通过物体的表观和运动来表示物体,关联的推理主要通过表观相似度和运动一致性的融合来判断。然而,表观与运动的融合权重往往由主观设置决定。因此我们对于场景中的每一个物体,其表观或运动的辨别能力变化的情况,生成融合表观相似性和运动一致性的自适应权重,优化各部分线索融合的合理性,增强多目标跟踪的稳定性。在所提出的无人机数据集上,验证了我们的跟踪方法的有效性。2.提出了基于个体与全局运动融合条件生成对抗网络的多目标跟踪技术,优化运动预测。与传统视频不同的是,由于无人机飞行高度高、运动突变等原因,目标物体的表观信息不可靠,运动分析对于无人机视频中多个目标的关联具有重要意义。我们提出了一种基于条件生成对抗网络（GAN）的无人机视频复杂运动预测模型。我们把目标物体运动和无人机运动分别看作是个体运动和全局运动。利用Social LSTM网络来估计物体的个体运动,构建孪生网络来生成反映无人机视角变化的全局运动信息,并利用条件生成对抗网络来生成最终的运动概率亲密度。我们在公共无人机数据集上进行了大量的实验,与目前最先进的运动预测方法相比,该方法能够获得更准确的结果。3.提出了基于目标间背景线索关联的多目标跟踪方法,引入新颖的推理线索。现有的跟踪检测方法大多是基于目标的表观和运动。然而,目标周围的上下文信息尚未得到充分利用。本文在充分利用上下文信息的基础上,提出了一种交换目标上下文背景模型,采用了一种新的关联度来关联目标,同时通过测量上下文背景的变化来优化目标框。我们提出了一种新的基于上下文感知的多任务孪生网络模型的无人机视频线索挖掘方法,该方法通过判断目标和上下文之间的一致性程度来挖掘无人机视频中的新线索,使得多目标跟踪算法更加的鲁棒。在公共数据集上的大量实验结果验证了所提出的跟踪方法的有效性。