多目标跟踪算法是当前视觉领域的热门研究方向之一,被广泛运用在城市天网系统、机器人导航系统以及自动驾驶辅助系统内,同时也是国家建设智慧城市不可或缺的一部分。在当今中国,存在大量的监控相机,每一秒都能产生大量的视频数据。如何在大量视频中做高效检索和跟踪成为了一个难题,急需一套稳定和高效的目标跟踪分析系统。许多研究人员针对现有多目标跟踪算法存在的问题,从不同视角上提出了一系列的解决方案,但是由于多目标跟踪的场景过于复杂,例如遮挡和强曝光等,且跟踪目标数量过多,使得现有的多目标跟踪算法还很难同时满足高稳定和高性能的需求,无法在现实场景中进一步应用。在多目标跟踪算法中,跟踪目标的外观随着时间变化较小,因此外观特征被认为是目标跟踪中极其重要的线索。近年来,深度学习技术在特征提取方向展现了极大的潜力,因此极大的推动了目标外观模型的发展,但是外观模型没有办法保证跟踪的稳定性,尤其是在遮挡或者相似目标过近的情况下。本文针对多目标跟踪的重难点,在基于检测的跟踪框架下,提出了深度连续条件随机场的多目标跟踪算法。该算法的创新性在于:(1)提出了基于跟踪目标外观信息的位移预测卷积神经网络,不再依靠以前的线性运动模型或者二次运动模型,使多目标跟踪算法能够应用到更多的场景。(2)在现有的多目标跟踪的算法中,目标的独立运动和交互约束都是分开考虑的,而且假设目标交互关系是对称的,即相互影响一样大,本文认为这个假设是不合理的。本文利用了高置信度的跟踪链来修正低置信度的跟踪链且低置信度的跟踪链不影响高置信度的跟踪链,使多目标跟踪算法的鲁棒性得到了进一步提高。同时,基于卷积神经网络的目标位移预测模块可以和基于连续条件随机场的目标交互建模模块进行级联,然后采用端到端的策略进行训练,使模型训练难度大幅度降低。与其他方法相比,本文实验的参数简单,且在不同的数据集上都获得了不错的效果。