目标跟踪是计算机视觉领域的一个研究热点,在智能监控、无人驾驶、人机交互和国防军事等领域都有着非常重要的研究价值,它的主要任务是为了获取视频或者图像序列中感兴趣目标的位置以及运动轨迹,为进一步的语义层分析提供基础信息。根据场景中运动目标数目的不同,目标跟踪可以分为单目标跟踪和多目标跟踪,多目标跟踪相对于单目标跟踪的复杂程度更高,涉及了数据关联。单目标跟踪可以简单理解为只需要完成对视频中单个目标连续数据的滤波,它侧重于设计复杂的外观模型或者运动模型来区分目标和背景。随着深度学习的快速发展,基于深度学习的目标跟踪逐渐成为国内外学者的研究主流,并且取得了一定的研究成果。但是由于目标运动和测量值的不确定性,目标跟踪是一个比较困难的状态估计问题。本文采用粒子滤波思想,在深度学习框架下研究基于检测的目标跟踪算法,分别将其应用在单目标和多目标领域。本文的主要研究内容和创新点如下:（1）构建基于粒子滤波的长短期记忆网络（LSTM）模型。针对传统的LSTM难以处理高维随机序贯数据的问题,本文提出了一种新的长短期记忆网络（PF-LSTM）,该网络借鉴粒子滤波的思想,利用一组加权粒子近似潜在变量,并根据贝叶斯规则通过LSTM的门控机制更新潜在状态分布。（2）研究PF-LSTM在单目标跟踪领域的应用。针对现有的目标跟踪算法不能很好的处理目标运动不确定性的问题,基于PF-LSTM模型,本文提出了深度粒子滤波跟踪器（DPFT）,可以有效对视频序列中的不确定性进行建模。（3）研究PF-LSTM在多目标跟踪领域的应用。针对多目标跟踪中的数据关联问题,基于DPFT模型,本文设计了一种数据关联组合问题的模型,该模型包含了目标存在概率估计的模型以及基于LSTM的数据关联算法,目标的出现和消失可以完全从数据中学习,实现了在线多目标的端到端学习。（4）评估所提算法的有效性。DPFT算法在两个基准数据集OTB100和VOT2016上的实验结果表明,目标跟踪的精确率达到82.1%,成功率达到62.3%。多目标跟踪算法在MOT16数据集上的实验结果表明:该算法的MOTA达到48.2%,MOTP达到75.2%,性能优于其它最先进的跟踪算法。