多目标跟踪技术涉及到机器学习、统计分析、模式识别等多种研究学科,具有重大的研究价值。多目标跟踪的核心理论是通过对视频序列中的多目标进行检测和位置标定,通过在运动过程中链接各自的运动轨迹,并在后续跟踪中保持各个目标身份信息不变。针对“目标检测不准确”、“目标遮挡问题”、“表观特征相似”等问题展开研究,本论文将基于实例分割和表观特征融合信息进行检测和跟踪,结合空间信息关注目标可见区域,通过长短时记忆网络学习运动信息进行关联,提升目标的跟踪准确率。本论文在目标检测、相似性度量、运动估计方面展开研究,主要工作如下:1.提出一种基于Mask R-CNN和表观特征融合的多目标跟踪方法。针对边界框的区分度下降和描述误差,分析得到目标检测过程中因目标位置相近和目标形变导致描述出现错误,本文提出引入实例分割的方法增加目标掩膜对目标位置的描述,可保留具有不规则形状的目标的轮廓特征,并添加一个特征提取分支提取深度特征,同时通过改进损失策略使得模型检测目标结果更加收敛,经过实验验证有效降低目标描述错误的问题。2.提出一种基于空间注意模型的抗遮挡多目标跟踪方法。针对目标遮挡问题,分析得到由于遮挡物的特征影响跟踪目标特征,本文提出通过空间信息获得深度特征间的相似性,增强目标特征之间的相似度。通过训练Siamese网络验证目标身份类别,使得外观特征更具有判别性。通过改进空间注意力的特征融合方式,保留不同通道中目标的空间结构信息,训练出更具有区分度的特征,经过实验验证了改进算法在目标遮挡场景下的鲁棒性。3.提出一种基于深度特征的运动估计方法实现多目标跟踪。针对目标交互过程中导致的身份切换或跟踪漂移,分析得到由于目标距离相近导致难以处理多轨迹之间的运动关系的问题。本文提出一种基于深度特征的运动估计方法,通过时间信息学习跟踪特征在时序上的变化,提出采用长短时记忆网络利用的时间记忆信息,在线学习非线性的运动模型预测目标位置坐标,并计算目标间的运动相似度,解决检测目标与跟踪轨迹不匹配的问题,利用运动相似度和外观相似度,根据轨迹数据关联匹配度确定完整轨迹,经过实验验证了改进算法在目标非线性运动和外观相似场景下的鲁棒性。综上所示,本文在目标检测、相似性度量和运动估计深入研究,通过联合外观相似度和运动相似度实现数据关联,提升目标跟踪成功率、关联匹配度,提高抗遮挡性和稳定性。之后本文在标准数据集中验证实现了一种抗遮挡、鲁棒的多目标跟踪算法,并设计了智能化系统演示所提算法的功能和性能。