多目标跟踪任务是计算机视觉领域中的关键任务,其是目标检测、图像分割等任务的进一步发展,也是人体姿态估计、行为识别与分析等高级任务的基石,具有丰富的研究和实用价值。多目标跟踪任务的目的是识别和检测出视频帧中所有的目标,并保证每个目标在其所在视频帧中的身份信息不变,即对每个目标维持一个相同的ID编号。目前对多目标跟踪任务的处理框架主要分为四个步骤,包括目标检测、特征向量提取、相似度计算和数据关联。研究对象主要集中在行人跟踪方面,因为对行人的研究更具有应用价值和商业价值,常见的应用场景包括自动驾驶、视频监测和虚拟现实等。如何构建快速且准确的多目标跟踪模型,是本课题的研究重点。本文具体研究工作如下:（1）从速度方面考虑。针对多目标跟踪任务流程冗余,运行时间慢,提出了一种基于多任务学习和级联匹配的多目标跟踪方法。该模型中的多任务学习方法合并了目标检测过程和基于检测框的特征向量提取过程,一步检测出目标的位置并输出具有类内区分度的特征向量,省去了基于检测结果的特征提取时间,减少了总任务时间。并且在多任务学习的过程中,特征向量提取子任务会对目标检测子任务产生“窃听效应”,获取到目标周围的环境信息,更提升了目标特征向量在数据关联过程中的鲁棒性。同时,基于级联匹配的数据关联方法按优先度不同,分批次匹配相关轨迹和目标检测框,减少了目标错配、漏配的可能性,获得更高效更稳定的匹配结果。实验表明,该模型的速度在多目标跟踪任务中达到了实时性,因此具有了实时性场景下的实用价值。（2）从性能方面考虑。为了进一步提高多目标跟踪方法的精度,提出了一种基于三维残差注意力与双路上采样的特征提取结构。该结构的三维残差注意力机制通过通道注意力和空间注意力实现了对通道和空间层面分别进行注意力筛选。其中每种注意力同时包含均值池化操作和最大池化操作,其中均值池化获取特征图全局信息,最大池化操作获取特征图显著信息。结合特征图全局信息和显著信息进行融合,得出更具辨识度且对结果更有效的注意力分配权重。双路上采样同时使用了双线性插值和改进的Pixel Shuffle模块进行上采样,即也就是对深层的语义特征进行了等比例放大和参数放大,得到两种不同的放大特征,融合后得到更高分辨率且对结果更有效的特征。实验表明,该方法在速度依然保持实时性的情况下,又提高了跟踪精度。（3）从任务框架方面考虑。为了进一步优化多目标跟踪任务的流程和框架,提出了一种基于数据关联代理模型的多目标跟踪方法。其核心部分的数据关联代理模型是基于双向GRU构成的,目的是用来近似替代数据关联过程。同时在模型训练阶段,提出了一种新颖的神经网络结构来近似表达MOTA和MOTP评价指标,将其作为模型训练的损失函数。从而将数据关联过程和评价指标引入到了神经网络训练中,使整个多目标跟踪任务都能够进行端到端的训练,引导网络朝着更高关联准确度的方向精准优化,得到更高质量的多目标跟踪结果。实验表明,该方法优化了多目标跟踪的任务框架,同时得到了更好的跟踪效果。