多目标跟踪在许多场景下有着重要作用,尤其是针对行人目标的跟踪应用尤其广泛。但是多目标跟踪由于任务复杂,需要多个组件的配合,因此算法框架往往庞大而复杂,不仅对硬件的计算能力和内存要求较高,不利于实际应用,而且算法本身的设计难度较大。针对这些问题,本文提出了一种可以兼顾跟踪精度和速度的多行人目标跟踪算法,算法分为完全独立的检测模块和跟踪模块两部分,对二者分别进行设计与改进。对于检测模块,本文提出一种结合YOLOv4和Mobile Netv3算法的检测模型,将YOLOv4的特征层改为轻量化的Mobile Netv3。Mobile Netv3削减了YOLOv4模型卷积层数,降低参数量,提高检测速率。使用Focal loss改进YOLOv4算法的置信度损失,使得检测算法能够有效减少正负样本和难易样本不平衡问题,进一步提升检测效果。检测算法用于对视频帧进行按序检测,获取行人目标的位置信息。实验证明,本文所提出的检测算法能够兼顾检测的速度与精度。跟踪模块以检测结果为输入,使用Deep SORT算法进行多行人目标跟踪,根据检测结果初始化卡尔曼滤波器,建立目标的运动模型,利用卷积神经网络（Convolutional neural network,CNN）提取检测结果的外观特征,建立外观模型。关联算法通过计算轨迹与检测结果的运动模型和外观模型的关联程度进行轨迹与检测结果的匹配,最后依据匹配结果进行轨迹更新,完成实时的多行人目标跟踪。为了提高轨迹与检测匹配的准确度,本文提出一种平均检测置信度的方式对Deep SORT算法的轨迹滤除方式进行改进,减少不可靠检测对跟踪算法的影响。将设计完成的多行人目标跟踪算法在MOT Challenge数据集上进行测试并与目前一些比较先进的算法进行对比,实验证明,本文算法在各项指标上均没有短板,综合性能较好。检测算法定位精准,跟踪算法可以快速准确的跟踪复杂场景中的行人,是一种鲁棒的多行人目标跟踪算法。