多目标跟踪是计算机视觉领域的研究热点之一,它在自动驾驶、视频监控、人机交互等领域被广泛应用。其主要任务是在一段视频序列中,将不同视频帧的同一个目标对应起来,每个目标形成不同的运动轨迹。主流的多目标跟踪技术几乎都是基于Detection-Based Tracking（DBT）框架,即先利用检测器识别出感兴趣的目标,再利用嵌入模型（Re-ID）预测目标外观的特征向量,根据检测结果与轨迹外观特征的相似度进行数据关联。该跟踪方法主要存在两个缺陷:（1）因为分离的两个模型执行过程中有先后顺序,导致时间开销比较大,难以实时跟踪;（2）跟踪性能极大程度上依赖于检测器的好坏,检测器产生的误检漏检等问题均会影响跟踪效果。针对DBT框架的不足,本文提出了联合检测与嵌入的多目标跟踪模型,以唯一的网络完成检测嵌入任务,缩短推理时间。为了减少检测器对跟踪结果带来的不确定性,本文在网络结构、损失函数、训练技巧以及超参数方面做了多次调整并训练出性能卓越的检测器。此外,利用了模型压缩技术对检测器进行通道剪枝,在几乎没有损失精度的前提下将模型大小缩减了一半。实验表明,该检测器能够在具有挑战性的行人数据集Cuhksysu和PRW上以较短的推理时间取得显著的效果。影响跟踪性能另一个主导因素是预测目标外观特征的准确性,模糊的外观特征无法将同一目标相互关联,造成目标的身份交换次数上升。尽管联合模型可以减少推理开销,但是这种并行预测检测结果与外观特征向量的方式加剧了模型收敛的困难,使得两种任务均不能学习到最优的参数。另外,基于“锚点”的检测框架中存在“锚点”与目标特征不对齐的问题,学习到的目标外观特征会有偏差。本文从两个方面提出了一个多目标跟踪模型新框架:（1）在检测与嵌入模型共享特征的基础上,分离预测端两个任务的作用特征;（2）根据目标实际位置,在每个对应的特征层上提取局部区域特征,避免了外观特征与实际目标不匹配。本文通过实验证明了算法的有效性,该方法在行人跟踪数据集MOT上取得了显著的效果。