オンラインマルチオブジェクトトラッキング（MOT）は、ロボットナビゲーションや自動運転など、時間的に制約の厳しい動画解析シーンにおいて広範な応用が期待されている。検出に基づくトラッキング手法において、オンラインMOTの主要な課題の一つは、新しい動画フレームにおけるノイズを含むオブジェクト検出を、過去に追跡されたオブジェクトと堅牢に関連付ける方法をどう実現するかである。本研究では、オンラインMOT問題をマルコフ意思決定過程（MDP）における意思決定問題として定式化し、オブジェクトのライフタイムをMDPでモデル化する。データ関連付けのための類似度関数の学習は、MDPにおける方策（policy）の学習と等価であり、この方策学習はオフライン学習とオンライン学習の両方の利点を活かした強化学習のアプローチにより実現される。さらに、本フレームワークは、ターゲットの出現・消滅や、生誕・死滅をMDP内の状態遷移として自然に扱えるため、既存のオンライン単一オブジェクトトラッキング手法を活用しつつ、動的変化に対応可能である。本手法の有効性を検証するために、MOTベンチマーク上で実験を実施した。