Multi-Object-Tracking (MOT), eine zentrale Aufgabe im Bereich des Computersehens, weist eine breite Anwendbarkeit auf. In letzter Zeit zeigen Tracker, die auf der „Tracking-by-Detection“-Strategie basieren und die Prozesse der Objekterkennung und der Zuordnung voneinander trennen, state-of-the-art-Leistungen. Dennoch sind, obwohl Techniken wie Feature-Verbesserung und Distanzmaße umfassend erforscht wurden, die Matching-Strategien selbst weiterhin ein Bereich, der einer tieferen Analyse bedarf. Dadurch müssen viele Tracker weiterhin manuell angepasste, empfindliche Hyperparameter für jede spezifische Tracking-Situation einstellen, was ihre Anpassungsfähigkeit und Robustheit in dynamischen Umgebungen einschränkt. Um diese Einschränkungen zu überwinden, stellen wir CMTrack vor – einen neuen Tracker mit einer neuartigen, vertrauensbasierten Matching-Strategie, die aus drei Modulen besteht: confidence-aware cascade matching (CCM), confidence-aware metric fusion (CMF) und confidence-aware feature update (CFU). Unsere Matching-Strategie ermöglicht es dem Tracker, innerhalb eines einheitlichen Rahmens eine generalisierte und praktikable Lösung für diverse Tracking-Szenarien darzustellen, ohne dass eine manuelle Kalibrierung von Hyperparametern erforderlich ist. Die Wirksamkeit von CMTrack wird anhand umfassender Evaluierungen auf drei führenden MOT-Datensätzen – MOT17, MOT20 und DanceTrack – nachgewiesen. Insbesondere übertrifft unser CMTrack bestehende state-of-the-art-Tracker konsistent und demonstriert so seine überlegenen Generalisierungsfähigkeiten. Die Quellcodes und Modelle sind öffentlich unter https://github.com/kamkyu94/CMTrack verfügbar.