目标跟踪广泛应用于各类工业应用,多传感器下的多目标跟踪任务更具实际应用意义。基于卷积神经网络的跨摄像头多目标跟踪技术的关键在于能否充分利用单传感器视野内的各个目标在时空域上的特征信息,以及跨传感器间的目标关联性。本文围绕这两点展开研究,主要工作包括以下部分:（1）提出一种引入姿态信息的联合检测多目标跟踪（JDE,Jointly learns the Detector and Embedding model）算法。传统的多目标跟踪算法是检测与数据融合分离式的算法（SDE,separate detection and embedding learning）,该类型的算法计算复杂,且多段式分离,处理耗时较长,无法达到实时性的需求。使用JDE跟踪算法可以合并检测和embedding（数据融合）两个阶段,达到减少耗时,接近实时性的任务需求。然而当前JDE类型的算法检测部分精度较差导致ID switch数量上升,跟踪不稳定。本文提出了一种引入目标姿态信息的JDE多目标跟踪算法并替换了原有的JDE检测部分结构,提取多尺度的目标,提高了目标特征信息的丰富性,加强了目标表达模型的鲁棒性。在对算法实时性影响较小的条件下,提高了JDE跟踪算法的抗ID switch（目标标识转换）能力,提高了跟踪可靠性。（2）提出一种集中式的跨摄像头多目标跟踪框架并探讨了部署该框架到物联网(Io T,Internet of Things设备上搭建系统的可能性。将分布式传感器网络中的各个摄像头节点收集的图像信息,分别使用引入姿态信息的JDE框架得到相应的嵌入了embedding信息和姿态描述信息的检测结果。对检测结果通过多贝叶斯估计法进行数据融合得到精确的目标观测状态表达,提高了目标全局观测精度。将提高了观测精度的检测结果送入运动模型得到全局的跟踪结果。在尽可能减少耗时的情况下得到了一个精度较高,鲁棒性较强的跨摄像头多目标跟踪框架。（3）本文算法在MOT,JTA等数据集上完成了验证,与当前已有的性能较好的算法对比。实验证明了算法速度到达了近实时（Towards to real time）,算法精度和可靠性也有充分保证。