随着物联网的普及和5G应用的发展,越来越多的图像数据被产生和收集。为了有效地对这些数据进行处理,研究者们对计算机视觉下的图像分类、目标检测、图像分割和目标跟踪等各个子领域都进行了深入研究与探索。多目标跟踪是从连续的图像帧中得出所有感兴趣目标的轨迹,其广泛应用在自动驾驶、人机交互和机器人视觉导航,近年来受到越来越多的关注。由于多目标跟踪目标数量的随机性、跟踪背景的复杂性、目标间的遮挡等多种因素的干扰,设计一个准确、高效的多目标跟踪算法仍然是一个具有挑战性的任务。本文为了改进多目标跟踪算法的准确率,围绕多目标跟踪中特征提取和数据关联步骤展开了研究,提出一种基于特征增强和数据关联的多目标跟踪算法,有效的改进了漏检、误检和遮挡造成的错误关联问题。主要研究内容如下:（1）针对目标的漏检和误检的问题,提出了一种基于运动显著特征和互相关注意力的多目标跟踪算法。首先采用运动增强模块,利用相邻帧特征的时间差分运算来增强通道中的运动相关特征,抑制无关信息。然后采用互相关注意力模块,将检测任务和重新识别任务解耦以减少这两个任务之间的竞争。最后将目标检测、特征提取和数据关联统一到一个框架中,实现了端到端的优化。（2）针对遮挡导致的目标轨迹中断和轨迹ID变换的问题,提出了基于二次关联低分检测框的多目标跟踪算法。通过在提出使用运动增强和互相关注意力的方式的基础上,使用二次数据关联的方法。该方法不同于以往只保留高分检测框的做法,而是将高分框和低分框分开处理,利用低分检测框和轨迹之间的相似性,发现真正的目标,实现在遮挡情况下的正确关联。在MOT Challenge上提供的MOT 16/17数据集、MOT20数据集上实验,采用了 8个（MOTA、MOTP、IDF1、MT、ML、FP、FN、IDs）标准评估指标来全面衡量算法。在MOT17数据集上的实验结果显示,运动增强模块和互相关注意力模块的应用将MOTA从66.6%提升至67.5%,FP减少了 12.1%。在此基础上叠加二次数据关联,最终的MOTA为68.7%。实验结果表明,改进后的链式跟踪算法可以增加相邻两帧之间的关联性,能够有效的解决遮挡问题,以提高多目标跟踪算法的准确性。