多目标跟踪技术是计算机视觉领域一个重要的研究课题。近年来,基于相关滤波的单目标跟踪算法凭借其速度快的特点在单目标跟踪领域有卓越的表现,引起了人们的广泛关注。基于深度学习的特征提取技术则凭借其较高的精度在目标检测及跟踪领域广泛应用。基于马尔科夫决策过程的多目标跟踪算法能够将目标检测、单目标跟踪及数据关联技术有效结合,充分发挥各模块的先进性。因此,本论文采用基于马尔科夫决策过程的多目标跟踪算法,借助先进的相关滤波类跟踪算法和深度学习理论,实现高效的多目标跟踪任务。具体工作包括:1、在马尔科夫决策过程中的跟踪状态,利用经典的相关滤波方法KCF(Kernelized Correlation Filter)实现单目标跟踪模块,并设计了一种基于高置信度检测的状态转换策略,以提升多目标跟踪的速度。2、在马尔科夫决策过程中的丢失状态,利用循环神经网络和匈牙利算法实现数据关联模块,通过特征提取网络结构的设计、检测及跟踪特征的融合等策略,改善了神经网络运算复杂度高、运行速度慢等问题,实现了有效的数据关联。3、基于行人不同间隔时长的外貌变化特点,提出了分时段数据关联技术,通过分时段循环神经网络的使用,进一步提高了数据关联模块的性能,有助于多目标跟踪过程中的数据再关联。综上所述,本文以基于马尔科夫决策过程的多目标跟踪框架为基础,通过利用快速的相关滤波单目标跟踪算法及高性能的神经网络技术,提高了算法跟踪的速度,改善了多目标跟踪的性能,与原始方法相比多目标跟踪精度提升了近5%。本文的方法及结果对于智能安防、辅助驾驶等任务有着重要的实用价值,对于后续多目标跟踪任务研究有重要实践意义。