Basado en el modelo de transformador, se construyó en este artículo una red de asociación de datos y filtrado de seguimiento profundo (DeepAF) para lograr la función de asociación de datos y filtrado de seguimiento de extremo a extremo. Combinado con los métodos existentes de iniciación de seguimiento, DeepAF se puede utilizar para rastrear múltiples objetivos en entornos desordenados. Los resultados experimentales muestran que DeepAF puede rastrear de manera estable y efectiva objetivos que se mueven en diferentes modelos, como velocidad constante, aceleración constante y tasa de giro constante. En comparación con el filtro de densidad de hipótesis de probabilidad y el método de asociación de datos probabilística, que se configuraron con diferentes matrices de transición de estado manualmente para coincidir con los modelos de movimiento de los objetivos reales, DeepAF tiene una precisión de estimación similar en cuanto a la velocidad del objetivo y una mejor precisión de estimación en cuanto a la posición del objetivo con menos consumo de tiempo. Para la estimación de posición, en comparación con PHD, DeepAF puede reducir el error de estimación en 49.978, 49.263 y 2.706 m en los modelos de movimiento CV, CA y CT. En comparación con PDA, DeepAF puede reducir el error de estimación en 13.465, 23.98 y 4.716 m en los modelos de movimiento CV, CA y CT. En cuanto al consumo de tiempo, en comparación con PHD, DeepAF puede reducir el tiempo en 991.2, 982.3 y 979.5 s en los modelos de movimiento CV, CA y CT. En comparación con PDA, DeepAF puede reducir el tiempo en 61.6, 60.5 y 61.4 s en los modelos de movimiento CV, CA y CT.