在多目标跟踪（Multi-Object Tracking, MOT）领域，传统方法通常依赖卡尔曼滤波（Kalman filter）进行运动预测，其在线性运动场景中表现出色。然而，在体育赛事和舞蹈等动态环境中，面对复杂的非线性运动模式以及频繁的遮挡情况，这类方法的固有局限性便暴露无遗。本文探讨了用基于学习的运动模型替代卡尔曼滤波的可行性，旨在突破传统方法在运动建模上的约束，显著提升跟踪的精度与适应性。本文提出的MambaMOT及MambaMOT+方法在DanceTrack和SportsMOT等具有挑战性的MOT数据集上展现出优异性能，充分证明了其在处理复杂非线性运动轨迹和频繁遮挡方面，相较于传统方法具有更强的鲁棒性与优越性。