随着数字成像系统和深度神经网络相关技术的成熟,基于视觉信息和神经网络的多目标跟踪方法获得了越来越多研究者的关注。密集人群场景下的多目标跟踪是一个具有挑战性的课题,基于检测的多目标跟踪（Tracking by Detection,TBD）相较于不使用检测的多目标跟踪（Detection Free Tracking,DFT）在这一场景下有更好的性能表现。TBD框架使用数据关联算法将检测器提供的目标检测框按照它们对应的ID关联起来,得到多目标跟踪结果。这一过程中的数据关联算法需要考虑到被跟踪目标的各类特征信息,其中运动特征信息对密集人群场景下的多目标跟踪准确度提升很有帮助,而运动特征的提取通常由轨迹预测模型来完成,好的轨迹预测模型能够弥补密集人群场景下检测器的限制,得到更完整更精确的多目标跟踪结果。本文注意到现有的多目标跟踪方法使用到的轨迹预测模型比较简单,且由轨迹预测提取的行人运动特征信息在多目标跟踪的数据关联过程中未被充分利用,无法很好地适应密集人群场景下的多目标跟踪。就行人轨迹预测而言,本文注意到当前流行的轨迹预测方法要么不考虑场景中的静态物体对行人的轨迹影响,要么对静态物体的分类与标注方式仍然比较粗糙且不自动化。根据上述发现和分析,本文提出一种名为双场景特征感知LSTM（DCA-LSTM）的行人轨迹预测网络,该网络能更加智能地提取场景中的特征信息,得到精度更高的行人轨迹预测结果。然后该网络被用到多目标跟踪模型中以提升密集人群场景下的多目标跟踪性能。全文的工作和贡献可以总结为以下几个方面:1)针对环境中静态物体信息的提取方法比较粗糙这一问题,本文提出一种基于数据学习来自动对场景中的静态物体信息进行分类的方法,分类后的信息分别与行人的位置信息进行关联;2)设计出一种DCA-LSTM网络处理关联后的行人-场景特征信息,并得到最终的行人轨迹预测值;3)将DCA-LSTM网络嵌入到在线多目标跟踪模型中,并根据DCA-LSTM网络的预测特性设计出一种与之匹配的目标框动态选取算法,以弥补检测器在密集人群场景下的性能不足,得到更好的多目标跟踪结果。经过和其他方法实验结果的对比,上述工作在行人轨迹预测和密集人群的多目标跟踪两个领域中都获得了具有竞争力的性能指标。