随着深度学习理论的日益完善以及目标检测算法精度的不断提升,基于目标检测的多目标跟踪算法也迎来了新的发展阶段。多目标跟踪的主要任务是在连续的图像中对多个目标进行定位,给出唯一的ID以及目标的运动轨迹。虽然多目标跟踪广泛应用于视频监控、人机交互、国防任务,但是多目标跟踪还需要解决两个任务:（1）准确维持目标的ID以及轨迹;（2）处理频繁的遮挡、相似外观遮挡、类间干扰等。解决以上两个问题,将会提高多目标跟踪的准确性,有利于推动多目标跟踪的商业化应用。多目标跟踪系统多采用检测跟踪的思路,首先利用目标检测算法将每帧中感兴趣目标检测出来,得到目标中心位置以及尺寸信息。其次,利用特征匹配算法将检测结果与上一帧的目标进行匹配关联。本文主要研究基于DeepSort的行人多目标跟踪系统设计与实现,对多目标跟踪算法发展进程、研究现状以及关键理论进行全面总结,并对目标跟踪算法进行改进,从而实现一个更为精确的行人多目标跟踪系统,进而提供更为准确的目标位置和更稳定的ID。本文的主要工作有:（1）采用检测性能优异的YOLO V4算法来进行目标的检测。为了提高检测准确性,将YOLO V4的3个尺度改为4个尺度。（2）采用DeepSort多目标跟踪系统中的级联匹配算法以及匈牙利指派算法作为基础跟踪架构,为了提高运动信息与外观信息的区分度,引入深度特征和手工特征,并对多种特征进行分而治之。（3）为了避免检测算法过拟合,引入类标签平滑操作,提高检测精度。（4）为了提高跟踪系统的易用性,采用开源框架以及Python语言制作了可视化界面,便于操作。本文提出的行人多目标跟踪系统基于性能优异的YOLO算法,高精度地检测使得匹配算法对检测结果的依赖性更弱,遮挡以及光照变化等因素的干扰更小,跟踪器的稳定性更高。采用算法对变化很小的视频帧进行删选,降低了检测成本,提高了算法的跟踪速度。