为了提升复杂场景下摄像头跟踪行人的稳定性,满足对实际行人跟踪的需求,通过　YOLOv5　检测器检测视频中的行人,结合改进的　DeepSort　算法,对行人跟踪的方法进行研究.优化行人重识别网络,通过迭代深度融合(Iterative　Deep　Aggregation,IDA)的方式融合灰度和RGB特征,降低了模型的误差率;改进级联匹配中余弦矩阵的计算方式,分别计算灰度特征和融合特征的余弦距离矩阵,加权得到新的余弦矩阵,减少了　DeepSort　算法在跟踪时目标丢失的现象.实验结果表明,改进的重识别网络相对于传统DeepSort算法中运用的八维残差网络的误差率降低　6.391%.相对于传统的DeepSort算法,结合了改进重识别网络和改进余弦矩阵的　DeepSort　算法的多目标跟踪精度(Multiple　Ob-ject　Tracking　Accuracy,MOTA)和平均数比率IDF1　指标分别提升了　0.9%和　8.1%.