多目标跟踪（Multi-object tracking, MOT）是计算机视觉领域的一项关键任务，具有广泛的应用前景。近年来，基于“检测-关联”（tracking-by-detection）框架的跟踪器因其将目标检测与关联过程分离的架构，展现出当前最先进的性能。然而，尽管特征增强和距离度量等技术已得到广泛研究，匹配策略本身仍缺乏深入探索。因此，许多现有跟踪器在不同应用场景下仍需手动调整敏感超参数，限制了其在动态环境中的适应性与鲁棒性。为解决上述问题，本文提出一种新型跟踪器——CMTrack，其核心在于引入一种新颖的置信度感知匹配策略，该策略由三个模块构成：置信度感知级联匹配（Confidence-aware Cascade Matching, CCM）、置信度感知度量融合（Confidence-aware Metric Fusion, CMF）以及置信度感知特征更新（Confidence-aware Feature Update, CFU）。该匹配策略使CMTrack能够在统一框架下有效应对多种复杂跟踪场景，同时无需人工调参，显著提升了系统的通用性与实用性。通过在三个主流MOT数据集（MOT17、MOT20和DanceTrack）上的全面评估，验证了CMTrack的有效性。实验结果表明，CMTrack在各项指标上均持续超越现有最先进方法，充分展现了其卓越的泛化能力。相关源代码与预训练模型已开源，地址为：https://github.com/kamkyu94/CMTrack。