多摄像头下行人运动轨迹追踪是指通过不同摄像头拍摄的场景中行人的穿着、姿势、携带物等外观和身体特征来识别目标行人,从而确定在多个非重叠摄像头视域内的目标行人出现的先后顺序和位置。目前该项技术已经发展成为机器视觉、人工智能领域的重要研究方向之一,同时被逐渐应用于公共安防,成为视频案件分析的重要手段。目前在多摄像头下行人运动轨迹追踪领域,所采用的研究方法已由传统的机器学习方法转向深度学习方法。同时在行人特征选取方面,由于摄像头所获取的视角不一,加之应用场景复杂,传统基于单一特征的多摄像头下行人运动轨迹追踪方法的局限性日益凸显,进而利用不同特征之间的信息互补性,采用多特征融合的手段以期提高目标行人的追踪效果正在成为该研究方向的发展趋势并呈现出巨大的发展潜力。但在现有硬件的计算能力条件下,在实现较高识别准确率和较快识别速度方面仍面临较大挑战,仍有许多问题亟待进一步深入研究。基于上述背景,本文围绕基于特征融合的行人运动轨迹追踪方法开展了相关研究,主要研究内容及研究成果如下:（1）在行人检测方面,针对在现实监控场景下,由于行人姿态各异、行人间容易产生遮挡而导致的漏检和检测算法性能下降问题,结合FCOS提出的回归思想,基于CenterNet模型,提出了一种自适应中心的行人检测算法。实验结果表明,该方法能够更加准确的定位全景图像中所有行人的位置,在提高行人检测的准确率、召回率的同时,能够进一步降低平均对数漏检率。（2）在行人重识别方面,针对在非重叠视野域的多摄像头下,由于行人姿势在各个摄影机之间有所不同,导致目标行人图像与待查集中的行人身体部位不对齐,进而可能引起常规的全局特征失效问题,基于BNNeck算法改进,提出了一种增强行人图像全局特征的行人重识别方法,从而建立更准确的多摄像头下行人之间的关联关系。实验结果表明,所提出的改进方法在提高行人重识别的平均准确率和排序列表前k位识别命中率方面具有较好的效果。（3）在行人运动轨迹追踪方面,针对单纯使用基于全局静态特征的行人重识别方法在实践应用中出现的检测性能不稳定问题,结合行人动态特征提取算法,提出了一种融合全局静态特征和步态特征的行人运动轨迹追踪方法。实验结果表明,该方法能够在一定程度上提高目标行人跟踪的效果。