视觉多目标跟踪主要是指通过数字图像处理技术,对视频场景中的多种目标进行自动检测和追踪的技术手段,在智能视频分析、人机交互、自动驾驶等领域有着广泛的应用。而在上述领域的场景中,行人目标往往是图像中数量最多且最具价值的跟踪目标,如何对其场景中的行人目标进行高效、实时跟踪则是多目标跟踪所研究的一个热点。由于当前多目标跟踪方法通常将目标检测、特征提取和数据关联分为多个独立阶段分别处理,导致在线多目标跟踪存在计算冗余,跟踪效率低下。因此,本论文旨在探索目标检测与跟踪任务的共性和联系,提出一种高效的联合目标检测与多目标在线跟踪方法。针对行人目标检测任务与目标跟踪任务之间的共性,本文设计了一个基于目标中心点的行人目标检测网络。多目标跟踪任务所需要的信息主要包括目标中心位置与特征。基于多目标跟踪任务的需求,通过将行人目标中心点作为关键点进行检测直接获取多目标跟踪任务所需的信息,使得目标检测任务与多目标跟踪任务更加适配。通过将目标特征提取任务与数据关联任务结合在一个统一的框架中来进行学习,以此来提高多目标跟踪方法的效率,达到部分端到端跟踪的效果。同时,为了更好的利用行人目标的外观特征及空间信息,在目标关联模块将前后两帧图像中的行人目标之间的空间关系构建为图结构,将行人目标作为图中的节点,通过图神经网络的方式聚合两幅图中的节点信息,进而直接输出两帧图像中目标的匹配结果。通过将目标检测任务与目标跟踪任务进行联合,设计了一个联合检测与跟踪的神经网络框架,最终达到完全端到端跟踪的目的。本文基于行人重识别思想,设计了一个联合检测与跟踪框架,该框架在基于目标中心点进行行人目标检测的思想上,同时输出目标检测结果及目标嵌入特征。然而,本文发现这两项任务往往相互竞争,存在学习冲突,因此进一步设计了一个交叉注意力网络对这两部分任务进行解耦。最后,同样采用图神经网络对前后两帧图像中的目标信息进行聚合,从而加强前后两帧图像中行人目标之间的联系。本文所提出的行人多目标跟踪算法通过在多目标跟踪竞赛数据集上进行实验与比较,在主要跟踪指标MOTA上达到73%的效果,跟踪速度为13 FPS,希望本文的方法能对相关研究带来新的探讨与思考。