随着信息技术的不断发展,智慧平安城市和公共安全问题等需求日益增加,视频监控分析技术在其中发挥着越来越重要的作用,尤其随着城市摄像头及其他监控终端不断增多,每天都会产生大量的视频图像数据亟需处理。传统人工监控分析的方式存在着诸多漏报、误报及其他错误分析的情况,执行效率相对较低,智能视频监控分析和理解（检测、识别、跟踪）技术的研究因此具有十分重要的研究意义和实际应用价值。多目标跟踪是其中的一个重要的研究方向,受到国内外研究学者的广泛关注。本文在现有主流的基于检测的多目标跟踪系统框架基础上,研究设计了一套基于深度学习的多目标跟踪系统,应用于视频监控场景下对多个行人目标的跟踪识别和分析,关注于提升系统算法模型的准确性和实时性表现,具有积极的科学研究意义。针对视觉检测部分,本文提出了一种应用于目标检测任务的轻量级深度网络模型。从算法模型的网络结构和损失函数方面展开研究,对特征提取主干网络结构进行细致的调整设计,丰富提取到的特征图包含的深度语义信息和空间位置信息,从而使得网络模型更加适用于目标检测任务;损失函数设计方面则是从检测算法分类识别和回归定位两个子任务出发,针对存在的正负样本实例不平衡及密集场景检测等问题,在传统交叉熵分类损失及Smooth L1回归损失的基础上进行优化调整,提高视觉检测算法模型的鲁棒性。并在此基础上对检测模型网络结构进行约束化简,以保证检测系统的实时性。综合利用场景中目标的运动特征信息及深度外观特征信息,本文研究提出了一种基于度量学习的多目标跟踪算法。首先应用Kalman滤波算法构建了目标的运动预测模型,将已有目标在新一帧图像中的状态预测结果与目标检测结果进行IOU度量匹配;然后通过一个轻量级的深度外观特征提取网络获取目标的表观特征,与已有目标维护的深度外观特征库进行余弦度量。最终将基于两种目标特征的相似性度量结果进行数据关联匹配,从而确定视频序列中运动目标的ID信息,完成整个多目标跟踪匹配关联部分。在上述工作基础上,本文将视觉检测部分和多目标跟踪匹配关联部分进行整合,从而研究设计了一种应用于视频监控场景的基于深度学习的多目标跟踪系统,跟踪识别场景中的运动行人目标。同时,为了进一步提高本文系统模型的跟踪识别精度和实时性,引入了一些改进优化策略对系统模块算法进行调整设计。本文提出的算法模型及多目标跟踪系统在VOC数据集、MOT数据集及实际场景数据上分别进行了验证评估,视觉检测模型在VOC数据集上可以实现81.8%的mAP识别率,行人目标类别的AP指标达到了 85.6%。基于度量学习的多目标跟踪匹配关联算法可以实现较高的跟踪识别准确性及实时性,跟踪阶段的运行速率可达到40fps。最终在实际视频监控场景序列中进行测试评估,验证了本文系统的有效性。