深層学習に基づくオブジェクト検出器は、複数オブジェクト追跡（MOT）アルゴリズムにおいて顕著な進展をもたらしてきた。しかし、現在の追跡手法は、主に歩行者や車両といった単純で規則的な運動パターンに焦点を当てており、アスリートのように非線形かつ不規則な運動を示す対象の追跡には対応が不十分である。さらに、最近の追跡アルゴリズムで広く用いられるカルマンフィルタは、対象の運動が線形仮定を満たさない場合、その性能が著しく低下するという限界がある。これらの課題を克服するため、本研究ではスポーツシーンにおける複数オブジェクト追跡に特化した、新たなオンラインかつロバストな追跡手法「Deep ExpansionIoU（Deep-EIoU）」を提案する。従来の手法とは異なり、カルマンフィルタの使用を放棄し、反復的なスケール拡張に基づくExpansionIoUと深層特徴量を活用することで、スポーツシーンにおける堅牢な追跡を実現している。本手法は、より強力な検出器を採用せずに、オンライン追跡の枠組みを維持しつつ、優れた追跡性能を達成している。提案手法は、不規則な運動を示す対象の追跡において顕著な有効性を示し、SportsMOTデータセットでは77.2%のHOTA、SoccerNet-Trackingデータセットでは85.4%のHOTAを達成した。また、さまざまな大規模な複数オブジェクト追跡ベンチマークにおいて、これまでの最先端手法をすべて上回る性能を発揮しており、多様なスポーツシーンに対応している。コードおよびモデルは、https://github.com/hsiangwei0903/Deep-EIoU にて公開されている。