多目标跟踪作为机器视觉任务的主要组成部分之一,已成为当前研究热点。伴随着视觉技术的不断突破,多目标跟踪逐步应用于边境安防、军事国防、智能交通等领域且发挥巨大作用。多目标跟踪旨在对实际场景视频帧的多个目标的位置预测,并对多个目标对应的身份信息进行维持。目前虽然目标跟踪算法发展迅速,但在实际战场场景中面临诸多困难,主要分为两方面:（1）由于实际战场场景复杂多变,造成目标定位不准确严重影响跟踪的准确度;（2）战场目标运动复杂且存在遮挡,容易发生跟踪漂移现象。针对以上问题,本文研究基于多任务学习的多目标跟踪算法,利用参数模型共享学习不同任务的同一语义表达,实现一个适应战场环境的多目标跟踪系统,从而提供更加精确的目标定位和稳定的ID信息。主要研究工作归纳如下:（1）基于目标准确定位的多任务协同跟踪算法针对实际战场环境复杂特征难以提取,该算法采用融合通道混洗的空间金字塔注意力和协同学习模块来提高网络模型的特征提取能力,解决目标定位不准确问题。本文将以YOLOv5作为基础算法进行优化,融合通道混洗的空间金字塔注意力对目标特征进行多尺度的特征融合,同时通道混洗模块对不同通道的语义信息交互融合,使得主干特征提取网络有效挖掘更多的语义信息,得到无偏差的目标跟踪框信息。其次,采用协同学习网络学习关注类内与类间的相关语义信息,缓解多任务学习网络存在的检测和Re-ID语义挖掘不均衡的矛盾,提取更为精确的目标检测结果,以提高模型推理效用。最后,由实验结果可得,本文的基于目标准确定位的多任务协同跟踪算法能够有效缓解因环境复杂造成的目标定位不准确问题。（2）基于抗漂移的多目标跟踪算法针对实际战场存在遮挡以及目标运动复杂的问题,该算法通过MLP多维特征增强和自适应平滑系数的运动速度度量来提高目标与轨迹的关联匹配度,解决目标跟踪漂移问题。本文以Deep Sort作为基础跟踪算法进行改进,通过多层感知机增强多维外观特征融合获得具有区分度的外观特征,增强遮挡前后的外观特征表示。在目标关联相似度计算时,利用自适应平滑系数的运动速度度量,得到更鲁棒的运动信息,增强目标与目标轨迹的关联度。经实验分析可得,本文的基于抗漂移的多目标跟踪算法可对目标遮挡和目标运动复杂场景稳定跟踪。（3）基于跟踪模型测试验证与软件部署为了验证本文算法的普适性,并提高跟踪系统的易用性,设计不同的实验场景验证本文跟踪算法,同时制作了致力于实际战场应用的基于多任务学习的多目标跟踪系统,测试所提算法性能和系统功能。