在计算机视觉领域中,多目标跟踪算法一直是研究人员和科研机构关注的热点。在大数据时代如何高效地分析和利用这些数据并且从中挖掘出具有价值的信息是一个亟待解决的难题。使用多目标跟踪算法可以在视频序列的每一个视频帧中确定所有感兴趣目标对象的位置,并且在连续的视频帧中保证同一个目标对象的身份信息不发生改变,最终得到所有感兴趣目标对象的运动轨迹。因此在计算机视觉领域中,对于多目标跟踪算法的研究具有非常高的价值,但是距离完全使用机器来代替人类认识和感知这个世界仍然需要继续付出更多的努力。本论文针对当前多目标跟踪算法中存在的问题以及主要挑战进行了全面而深入的研究,并且取得了一定的研究成果。具体内容如下所示:（1）针对现有的数据关联算法过于依赖目标检测器性能的问题,以及直接将单目标跟踪算法拓展到多目标跟踪任务中时,伴随着被跟踪目标对象数量的增加,目标跟踪算法的性能会急剧下降,本论文提出了一种联合单目标跟踪的数据关联算法。在数据关联模块和单目标跟踪模块之间可以进行数据的交互,并且这两个模块可以共享特征卷积网络的输出结果。在单目标跟踪模块中将其划分为相关跟踪和位置调整两个阶段,它可以实现在网络模型的一次前向传播过程中,同时获得该目标对象在当前视频帧中检测结果的特征表达以及所有目标对象的单目标跟踪结果,从而降低被跟踪目标对象数量对跟踪结果的影响。（2）当前的多目标跟踪算法往往忽略了目标检测与目标跟踪之间的联系,而将它们看做是两个彼此之间相互独立的模块,因此无法有效地利用它们之间的数据进行交互。本论文提出了一种联合目标检测的多目标跟踪算法,通过多任务学习的方式对网络模型进行离线训练,目标检测模块与目标跟踪模块可以共享特征卷积网络的输出结果,从而大大减少了网络模型中的参数以及计算量。在目标跟踪的过程中使用跟踪结果对目标检测器的检测结果进行在线微调,不仅可以提高目标检测器在当前视频序列中的性能,并且可以反过来进一步提高目标跟踪的性能。