多目标跟踪是发展智能交通,智慧驾驶的关键技术。分析跟踪获得的车辆目标数量,车辆行进轨迹,能够有效提高道路监控、车流量统计、辅助驾驶和驾驶习惯分析等方面的综合管理水平。近年来,深度学习推动了计算机视觉领域的发展,学者们提出了大量基于深度神经网络的多目标跟踪方法。这类方法将网络获取的目标检测结果进行逐帧关联,以检测为基础实现多目标跟踪,提高了跟踪方法的性能。然而,车辆目标形态各异,移动速度高,且存在严重的相互遮挡,导致车辆跟踪的检测过程存在特征提取困难,检测计算量增大等问题。本文从跟踪的检测过程入手,以新的目标检测形式和特征提取过程处理多目标跟踪任务,既提高了跟踪方法效率,又增强了跟踪方法的准确性。首先,本文对Anchor Free的检测网络及联合学习模型的原理进行分析研究,提出了一种Anchor Free的联合模型车辆多目标跟踪方法。该方法通过将单网络多任务学习的联合模型引入车辆多目标跟踪,以单网络多分支结构实现目标检测和重识别特征提取。应用可变形卷积改进的深层特征聚合网络作为模型的特征提取网络,获取视频帧的特征图,提升网络对于车辆目标的适应能力。利用并行的分支结构实现Anchor Free的目标检测和重识别特征学习,减少重复计算同时保证模型的检测水平。由于方法仅使用一个密集计算网络完成跟踪任务的主要计算过程,提高了车辆多目标跟踪的效率。其次,本文对车辆多目标跟踪的特征提取网络进行分析,并对Attention机制进行研究。发现可以通过Attention机制加强网络模型对车辆目标的特征获取能力。因此本文提出了一种结合Attention机制的车辆多目标跟踪方法。该方法把结合Attention机制的特征强化网络与原有特征提取网络相结合,在保证跟踪检测效率的前提下,提高车辆目标在特征图上的特征表现,使特征图具有与目标的强相关性,减少车辆多目标跟踪中不同车辆间的ID换,跟踪轨迹丢失等情况的出现,提高车辆多目标跟踪的准确性。最后,本文对所提出的基于跟踪检测改进的两种车辆多目标跟踪方法进行实验,并与现有的方法进行了比较。使用KITTI-Tracking数据集、UA-DETRAC数据集对本文方法进行训练和测试,实验结果表明,本文提出的车辆多目标跟踪方法在保证推理效率的前提下,跟踪准确性优于现有的方法,有效减少了车辆目标误漏检及ID切换问题的出现,在一定程度上提升了车辆多目标跟踪方法的鲁棒性。