多目标检测作为现代跟踪技术中的基础技术,一直是计算机视觉领域的研究重点。基于检测的跟踪依赖于高性能的目标检测算法,因此,本文以加强空间位置和细节特征的深度学习网络为多目标跟踪提供目标检测数据,进而复用多路数据优化目标的特征匹配。针对卷积神经网络中连续下采样和特征位置量化导致的高层特征图空间信息混淆、忽略小目标问题,本文提出双瓶颈特征金字塔网络（DBFP-Net）,为目标跟踪提供高质量的目标检测数据。首先,创建双瓶颈子卷积网络,提取图像金字塔中的细节特征和位置信息;然后,设计分层式特征融合模块,将子卷积网络的高分辨率、弱语义特征与主干网络的低分辨率、强语义特征进行融合,增强检测网络对目标特征的辨识度。最后提出排序下采样特征增强方法,缓解下采样过程中的特征丢失问题。实验结果验证了所提出网络的有效性,并提升了被遮挡目标和多尺寸目标的检测效果。针对多目标跟踪中频繁的物体间遮挡、物体快速移动导致的ID切换、目标丢失问题,在DBFP-Net检测基础上,构建多路数据复用的特征匹配模型。首先,提出数据融合匹配方法,针对目标位置、大小和外观特征进行匹配,通过对深度外观特征的多帧化处理,减少形变产生的影响;然后,提出相似度度量方法进行矢量相似度评价,筛选出相似度较低的匹配对;最后,从合理化位置状态的角度,提出数据复用匹配方法再次进行特征匹配,缓解快速移动产生的影响。实验结果表明,基于所提出模型的多目标跟踪算法在复杂场景下对被遮挡的、快速移动的和不同尺寸的目标具有良好的跟踪效果。