跨摄像头多目标跟踪的任务是找到行人在不同摄像头的所有运动轨迹,该任务的挑战性在于:处理多个视频的多个目标运算量大,以及实际应用中行人姿态、光照、相机视角变化等造成不同摄像头下的行人外观差异较大。针对这些问题,本文应用一个分层推理结构的多目标跟踪算法框架降低运算复杂度,通过设计更好的外观特征表达增强数据之间的外观相关性关联以达到不同摄像头下的轨迹匹配的目的。本文采用基于图分区模型的单摄像头多目标跟踪算法进行跟踪,该算法包含一个两层的推理结构以降低算法复杂度,各个层次在滑动窗内进行以达到实时目的。针对第二层的滑动窗在交界处附近可能会发生漏检,我们提出重叠滑动窗口的方法,降低交界处漏检率。针对目标间相互遮挡的情况下可能出现的身份转换问题,我们提出轨迹约束的方法,降低身份转换的发生。针对不同摄像头下相机视角带来的轨迹外观变化,本文提出一种结合行人方向和分块HSV直方图特征的跨摄像头多目标跟踪算法。该算法采用分块HSV直方图作为外观特征,增强局部特征的判别能力。同时将行人的方向信息引入到轨迹的外观特征中,对相同方向的不同行人轨迹加以约束,对相同方向的相同行人轨迹增大权重,最终减轻行人方向变化对轨迹外观特征的影响,从而达到提高跟踪精度的目的。针对手工设计的特征泛化能力不强的问题,并考虑到跨摄像头多目标跟踪实质是个重识别问题,本文在前面算法框架的基础上提出一种基于深度学习的融合方向和整体特征的跨摄像头多目标跟踪算法,该算法设计了一个融合方向信息和整体外观特征的三元组损失函数,该损失函数能抑制行人方向变化对行人外观特征的影响,同时兼具判别能力强的整体外观特征,对遮挡、光照等有鲁棒性。最终所提算法进一步提高了跟踪效果。