多目标跟踪技术主要应用在军事领域和民事领域,在无约束的环境中跟踪多个目标面临多个挑战,包括先验未知且时变的目标数目,已知目标状态的连续估计,和离散的数据关联问题。随着近年来深度学习的兴起,深度神经网络在基于视觉的跟踪中取得了不错的成果。但是,深度学习多用于单目标跟踪或基于视觉的多目标跟踪,在非视觉场景下的多目标跟踪中的应用不多。本文研究如何使用循环神经网络(RNN)解决多目标跟踪中的几个关键问题。本文的主要研究工作如下:(1)提出了一种基于长短期记忆网络(LSTM)的目标状态预测算法。该算法利用一个基于LSTM的网络学习大量单个目标运动数据的时序规律,实现单个目标状态的预测。实验证明,该算法能够有效的预测目标运动状态,有更高的精确度,且对于机动目标有更好的适应性。(2)针对多目标跟踪中的难点——数据关联问题,提出了一种基于LSTM的数据关联算法。该算法中的网络模型可以完全从数据中学习并输出目标与量测的关联概率,同时还考虑了无量测与目标关联的情况。在杂波密度与检测概率不同的条件下都取得了较好的结果,该算法耗时更少,关联准确度更高。(3)设计实现了一种基于RNN与JPDA的多目标跟踪方法。在每一时间步骤,该方法将多目标跟踪的问题分为三个阶段处理,数据关联、目标状态预测和航迹管理。其中,航迹管理模块采用本文提出的一种基于RNN的航迹管理方法。仿真结果表明,该方法有效地解决了含有杂波且目标数目时变情况下的多目标跟踪问题。