在现代物流仓储场景中,快递包裹吞吐量日益增加,如何实现高效率的货物分拣成为现阶段仓储管理系统发展的重要目标。目前仓储场景中已基本实现摄像头的全覆盖,利用这些摄像头搭建人员全局定位跟踪系统有助于实现仓储场景内“人-货-场”的协同优化,提高分拣作业效率。然而,目前广泛使用的目标检测算法难以实现对仓储场景下被遮挡行人的检测,常用的多目标跟踪算法无法鲁棒跟踪仓储场景下着装统一的行人。针对上述问题,本文设计并实现了一种面向仓储场景的人员全局定位跟踪系统,该系统能够利用仓储场景内均匀覆盖的摄像头实现对流动行人的跨摄像头跟踪,并对跟踪过程进行可视化展示。本文的主要工作内容及创新点如下:（1）针对仓储场景中被遮挡行人的检测问题,本文研究设计了一种遮挡行人检测算法,在常用的目标检测网络RetinaNet中融入遮挡概率预测网络,并提出Separate NMS（S-NMS）筛选机制来提高被遮挡行人的检测率。实验表明,该算法在仓储场景检测数据集上的检测率达到了 98.2%,相比于RetinaNet提高了 1.1%。（2）针对仓储场景中着装统一的多行人跟踪以及跨摄像头行人跟踪问题,本文设计了一种孪生网络多目标跟踪算法,能够提取有效的行人特征,同时对每个行人进行独立跟踪。该算法采用局部表征学习的方式训练目标特征,利用所提取的目标特征可以实现高效的跨摄像头目标识别。在仓储场景跨摄像头行人跟踪数据集上的实验结果表明,采用局部表征学习极大改善了孪生网络的行人特征提取性能,对跨摄像头行人的识别率达80.9%,相比改进前提高了 13.8%。（3）搭建了面向仓储场景的跨摄像头多目标跟踪可视化平台,利用仓储场景先验知识设计了跟踪池更新机制以及跨摄像头多目标跟踪逻辑框架,实现了摄像头之间的时空关联,改善优化了目标互相遮挡情况下的跟踪性能,并结合相机标定技术实现了多摄像头目标轨迹融合。经过多组跨摄像头跟踪实验测试,本文提出的系统对目标的跨摄像头跟踪识别率可达8 0%以上,能够实现稀疏场景下对目标的全局鲁棒跟踪,密集场景下对遮挡较少目标的全局鲁棒跟踪。