随着计算机图像处理技术的发展及现代社会对智能化设备需求的日益增长,多目标跟踪技术应运而生。多目标跟踪是自动驾驶,医学检测等领域的基础,它基于目标检测任务,通过关联不同帧之间的感兴趣目标来获取视频目标在时序上的连续信息,进而分析目标的速度,运动方向,行为轨迹等。多目标跟踪早已进入学术界研究人员的研究进程中,也已经得到工业界的成功应用。这项技术在现在,在未来都能为企业,为社会各界带来巨大的经济价值,具有极其重要的研究意义与必要。不同于传统多目标跟踪方法将目标检测阶段与目标特征提取阶段分离,本文设计了一个端到端的多目标跟踪方法。该方法联合目标检测与特征提取到一个神经网络中,可以同时得到视频帧中的目标信息及目标表征特征。这不仅减少了传统方法中的计算冗余,而且能通过神经网络加速设备进行计算加速,以满足嵌入式设备对多目标跟踪算法实时性的需求。从多目标跟踪任务中的行人遮挡问题出发,本文设计了利用目标结构关系增强的注意力模块用于多目标跟踪子任务行人重识别当中。通过对特征图中不同结构特征关系进行建模,帮助网络学习自身需要的注意力因子来加强特征鲁棒性。通过大量对比实验及可视化实验验证了此注意力模块的有效性。在端到端网络的设计思想下,本文进一步通过解耦子任务的思想,设计子任务解耦模块解耦不同子任务的学习分支。该模块削弱不同子任务学习的知识竞争问题,使得各子任务网络分支学习到更加适合自身的知识。通过进行不同解耦方案的消融实验,验证了最优解耦方案的合理性。目标检测算法通常设计了多尺度分支提升检测精度,这使不同尺度分支的表征向量特征空间不一致,特征距离度量无意义。本文设计了表征向量融合模块来统一特征空间,使特征之间能进行距离度量,并且融合了不同尺度的特征,使表征向量对目标具有更丰富的表征信息。本文设计的基于解耦子任务的端到端多目标跟踪网络,减少了传统方法大量的冗余计算,实现了稳定、实时的多目标跟踪。通过在通用多目标跟踪数据集MOT16、MOT17上进行验证,本文的设计提升了多目标跟踪任务的精度,也对相关研究带来了新的思考。