多目标跟踪（Multi-Object Tracking,MOT）作为计算机视觉的热门研究方向之一,在智能交通、自动驾驶、安防监控等场景有重大商业价值。然而,主流的多目标跟踪模型往往引入了大量参数,难以在移动设备上实时运行。因此,本文将提出一个可以在移动设备上实时运行的多目标跟踪模型,并针对两个关键问题进行研究:（1）目标检测作为多目标跟踪的上游任务,对跟踪效果尤为重要,跟踪模型需要在保证实时性的条件下尽可能提高检测器的性能;（2）表观特征是解决目标重叠和障碍物遮挡等问题的有效手段,跟踪模型需要在保证实时性的条件下快速提取出目标的表观特征。本文主要工作内容概括如下:（1）针对目标检测问题,本文选用轻量级目标检测模型YOLOv5s（You Only Look Once）作为多目标跟踪的检测器,通过问题分析,针对YOLOv5s提出多条优化方法:新增高分辨率检测头,舍弃模型原有的三个检测头,提高小目标的检测精度;对检测头进行解耦,解决目标检测子任务间的矛盾;增加正样本的数量,缓解正负样本不平衡问题;在骨干网络中嵌入通道注意力模块,提高特征的表达能力。实验结果表明,这些优化方法将YOLOv5s的参数量减少了2.34M,FPS提高了5帧,m AP50提高了2.8%,在保证实时性的条件下提升了检测器的性能。（2）针对表观特征提取问题,本文基于JDE（Joint Detection and Embedding）范式的设计思想,在优化后的YOLOv5s中增加了一个表观特征提取的网络分支,使目标检测分支和表观特征提取分支共享骨干网络,因为这种设计思想避免了SDE（Separate Detection and Embedding）范式的冗余计算问题,不会由于目标增多而大幅增加表观特征的提取时间,具有很好的实时性。其次,本文采用分类的思想优化表观特征提取分支,根据目标的运动特征和表观特征制定了多目标跟踪策略。实验结果表明,本文模型取得了有竞争力的跟踪精度,其FPS达到了59帧,可实时运行,已在精度和速度之间取得良好的平衡。（3）利用合作企业提供的交通监控数据集,本文将实时多目标跟踪模型部署到监控摄像头上,并对跟踪效果进行了展示,其FPS达到了20帧。