由于多目标跟踪（Multi-Objects Tracking,MOT）技术已在现实生活中广泛的应用,越来越多的学者对其展开更加深入的研究,以提升跟踪性能。目前,多目标追踪方式主要包括基于检测的多目标追踪、联合检测和嵌入学习的多目标追踪,以及基于注意力机制的多目标追踪。而随着重识别（Re-Identification,ReID）技术的发展,有很多学者发现将其与多目标跟踪算法结合可以有效提升算法性能,主要原因在于ReID算法可以将不同场景中的目标联系起来,由ReID网络提取的外观特征可以更好地应用于重新找回短暂丢失后的目标。为了进一步发掘ReID在多目标跟踪领域中的潜力,进而提升多目标跟踪的性能,本文分别对联合检测与嵌入学习多目标跟踪和基于检测的多目标跟踪方法进行深入的研究,并提出一定的改进,最后通过实验证明其有效性。（1）对严重遮挡问题进行深入分析后,得出其导致跟踪性能下降的原因主要是由于遮挡使得目标检测器极容易丢失被遮挡目标。为了降低目标遮挡所带来的影响,本研究提出了一种创新的遮挡预测模块,用来判断目标是否发生遮挡,并且在遮挡预测图中得到被遮挡物体的预测中心点位置,为了使遮挡预测模块能更好的应用于多目标跟踪算法,本研究还提出了一种丢失目标寻回算法。最后将该模块与基于ReID且采用联合检测与嵌入学习范式的多目标跟踪算法进行结合,实验结果表明该模块可以有效地减少目标丢失,从而提升多目标跟踪算法整体性能。基于MOT17数据集,将本模块分别与FairMOT与CenterTrack结合,MOTA指标分别为68.6%与62.1%,相较于原算法提升了1.1%与1.4%。（2）ReID根据数据源可以分为基于图像的ReID和基于视频的ReID,后者较前者多了时序信息,因此可以对视频数据中的时序信息加以利用,从而提升ReID算法性能。为了更好的利用视频数据中的时序信息实现多目标跟踪,本文对一种基于三维卷积的视频ReID方法进行了改进,该算法可以对近邻帧进行重建,使特征图表观对齐,然后使用三维卷积对表观信息进行时序建模。最后将该算法与基于检测的多目标跟踪框架结合,实验结果表明改进后的ReID算法可以进一步增强多目标跟踪算法的性能。基于MOT17数据集,本文提出的方法最终的MOTA为58.2%,相较于同为基于TBD范式的DeepSORT算法,提升了1.9%。