视频目标跟踪的任务是对视频中出现的目标进行处理分析以找到感兴趣目标所在位置以及运动轨迹,它是计算机视觉研究领域中的一个关键技术,正在被广泛应用到智能交通,智能安防监控,人机交互等领域。因此对视频目标跟踪算法的研究具有重要的应用价值以及广阔的发展前景。在目标跟踪研究中,在线的实时多目标跟踪应用最广且难度最大。随着户外人数的增多,对适用于拥挤场景的跟踪算法需求也在增加。本文针对拥挤场景易出现的ID漂移以及运行速度降低的问题,选择具有竞争力的deep SORT算法进行研究,做出了以下三点改进:1.在当前检测结果与卡尔曼预测轨迹位置进行匹配时,对于置信度较低的匹配,先搁置并用额外距离度量再次匹配,以最少时间代价使得ID漂移减少,以增加拥挤场景中跟踪的准确性。2.在算法的卡尔曼滤波应用过程中,当目标互相遮挡超过一定阈值后自动调整卡尔曼增益,以最少时间代价减少了行人交互时出现的ID漂移次数。3.在匈牙利算法的利用过程中,针对拥挤行人场景下代价矩阵特征,改进匈牙利算法使得减少寻找最优匹配解的步骤。本文实现了以上改进算法并在国际视频目标跟踪竞赛平台MOT Challange的拥挤场景数据集MOT16进行测试,测试结果为:其他性能指标基本不变,而表征轨迹ID鲁棒性的指标IDs改善了8%,且减少了匹配寻优迭代次数。