多目标跟踪是当今备受关注的课题,虽然当前已经有许多优秀的算法踊跃出来以解决多目标跟踪中的各种问题（遮挡、检测不精确、外观相似等）,但是复杂场景下的多目标跟踪仍然存在许多问题。对此本文提出了几个方法以有效地处理复杂场景下的多目标跟踪问题。本文梳理了多目标跟踪当中的评测指标、多目标跟踪常用的数据集。由于当前多目标跟踪大多都是基于检测的跟踪,因此本文简单地介绍了目标检测的两个主流算法（R-CNN系列和YOLO系列）,并分析这些算法各自的优势和缺点。接着从分类和组成模块两个角度对多目标跟踪进行介绍。本文提出了基于单目标跟踪器和最大权团图的在线多目标跟踪算法,将目标检测、单目标跟踪和数据关联联合到一个统一的框架当中。使用鲁棒的单目标跟踪器来处理不可靠的检测并同时改善了数据关联的结果。同时为了提升多目标跟踪器的识别能力和预测能力,利用了行人重识别网络（Person Re-Identification）和孪生结构的单目标跟踪器来分别学习外观亲和力、运动亲和力模型。此外还证明了最大权团图算法可以以在线模式下处理最优分配。最后在MOT Challenge数据集上测试了所提出跟踪器的性能,实验结果表明该跟踪器与当前先进的方法相比是有竞争力的,并且提出的跟踪器能够有效地缓解由于目标检测中漏检带来的问题。本文提出了基于双重局部-全局决策的多目标跟踪。为了应对多目标跟踪的目标检测漏检问题,利用一个局部-全局决策通过融合多帧目标进行处理,并利用Faster R-CNN的边界框回归优化检测结果。而为了学习每个目标的特征进而有效地增加了轨迹成功关联的数量,另一个局部-全局决策设计了一个双流特征提取决策,其中局部流特征提取器利用一个光流跟踪器预测目标的动态位置,全局流特征提取器用来获取边界框内的外观信息。对于数据关联,本文使用最大权独立集算法求解时间窗口内的最优匹配问题,并提出了局部剪枝方法以降低计算复杂度。此外,还引入了一种提升方法来对上述方法进行批量修复。实验表明,其性能优于上述方法。总体而言,在MOT16和MOT17基准数据集上的实验结果清楚地表明,所提出的方法与当前的先进方法具有竞争力。