随着科学技术的快速发展,越来越多的图像数据出现在人们面前,为了更有效的对这些数据进行处理,人们对计算机视觉下的各个子领域都进行了深入研究与探索,多目标跟踪技术便是其中之一。多目标跟踪算法是指通过对连续图像的分析与处理,判断图像中多个目标在连续时间内的位置变化,以绘制每个目标的跟踪轨迹的相关算法。这项技术的发展可以帮助人们在自动驾驶、智慧城市与公共安全等领域取得长足进步。近年来,深度学习的发展如火如荼,其方法覆盖众多热门领域,因此多目标跟踪的主流方法逐渐偏向深度学习。但是由于多目标跟踪的任务困难,难点众多,导致其准确率一直徘徊不前;而且多目标跟踪算法的复杂程度高,计算量大,所以其实时性问题也亟待解决。本文针对多目标跟踪的准确率与实时性的问题,对包括行人与机动车的道路场景进行了深入研究,利用深度学习提出了两种不同的算法分别解决了多目标跟踪的准确性与实时性的问题,主要工作如下:为了有效解决多目标跟踪准确率低的问题,本文设计了一种全卷积神经网络模型,该模型使用了VGG16中的卷积层作为基准模型,并增加了8个全卷积层以提取更多语义特征,同时,利用多尺度与多通道的特征提取方式对该模型中不同尺度上的8个卷积特征图进行更深层次的卷积,进一步泛化特征;此外,本文在上述模型的基础上采用了双注意力机制,细化了目标的特征。实验结果表明,本文提出的多通道与多尺度特征提取模型能够取得较为满意的跟踪准确率,而且在引入双注意力机制后,跟踪效果得到了进一步提升。为了有效解决多目标跟踪算法实时性差的问题,本文设计了一种基于孪生网络的两阶段多目标跟踪算法。首先,利用卷积神经网络对图像中多个目标进行卷积并提取其特征,然后对不同帧之间的目标特征进行特征比对,得到相似度较高的组合,此为第一阶段;在第二阶段中,我们根据第一阶段得到的相似性组合,利用孪生网络进行卷积处理,将处理后的响应值与阈值比较,并得到跟踪结果坐标。实验结果表明,本文提出的基于孪生网络的两阶段多目标跟踪算法模型能够在保证准确性的前提下,实现实时跟踪。综上所述,本文针对多目标跟踪两个难点问题设计的两种不同算法在不同的指标上都取得了良好的效果,对未来的多目标跟踪方法的研究提供了新的思路。