基于深度学习的目标跟踪及轨迹预测算法作为复杂道路环境感知的关键技术,是实现交通智慧化的关键。然而由于道路环境复杂多变,目前相关算法在实际应用中的表现尚不理想,依然有很大的提升空间。因此,本文借鉴了现阶段计算机视觉相关领域的最新研究思想,提出了新颖的复杂道路环境下多目标跟踪与轨迹预测模型。论文的主要工作如下:（1）研究了交通场景下的目标检测算法。针对目标尺寸差距较大,检测锚框先验参数不易设置,致使模型检测效果不佳的问题,本文使用anchor-free的检测方法,使模型的超参数更少、更加灵活,并借鉴Transformer的自注意力机制提高模型对大目标的检测识别效果。针对交通场景下目标面积较小不易检测的问题,适度增加输入图片的分辨率,并通过特征融合模块将网络深层的语义特征和浅层更多的细节信息进行融合,提高模型对小目标检测效果的同时平衡推理时间。实验结果表明,模型在Vis Drone数据集上平均精确度上达到了29.02,优于其他常用模型。（2）研究了交通场景下多目标跟踪算法。由于TBD（tracking by detection）模型的机制,检测和跟踪相互独立,无法同时训练,为了使得跟踪任务和检测任务同时优化互相促进,本文选用JDT（joint detection and tracking）模型,在骨干网络上增加代价空间模块。模型通过训练代价空间矩阵,同时注意类间与类内差异,提高检测与跟踪效果。针对跟踪过程中目标在当前帧中被其他物体遮挡等不利于检测的问题,添加注意力传播模块,将之前帧中目标的完整特征传播到当前帧,辅助当前帧的目标检测。经过实验验证,模型在Vis Drone跟踪任务的多项指标上表现优异,在跟踪准确度指标上达到了29.6,且在漏检率指标上有较大的改善,相比于其他模型有一定的性能提升。（3）研究了交通场景下多目标轨迹预测算法。根据交通参与者在运动时先选择一个目标终点,然后向该终点进行移动的规律,文章使用条件变分自编码器对目标轨迹的局部终点进行预测,并使用预测出的目标局部终点和历史轨迹共同预测未来轨迹。并且目标在运动过程中,周围交通参与者的历史轨迹同样会影响目标的未来轨迹,因此文章使用自注意力机制进行社会池化提取社交信息,并在社会池化中加入局部终点位置信息,辅助预测目标未来轨迹。经过实验验证,添加局部终点信息之后,在Stanford Drone数据集上,模型的FDE指标得到了较大的改善,相比于其他模型降低了约6%,同时ADE指标也有一定的降低,证明了所提出方法的有效性。综合上述实验结果可知,本文提出的方法针对复杂道路环境下多目标的检测、跟踪以及轨迹预测任务,在满足实时性的前提下取得了较好的效果,证明了所提出方法的有效性和实用性。