目标跟踪技术在智能车、无人机、机器人等领域有着广泛的应用。在近距离场景下,目标一般表现为具有形状、轮廓等特征的扩展目标,通过目标的扩展信息辅助,跟踪精度可以得到有效改善。目标群中各目标之间的位置关系构成的拓扑特征作为一种重要辅助信息,同样可以用来提高跟踪精度。因此,将拓扑特征引入到目标跟踪方法中,研究拓扑特征辅助的扩展目标跟踪具有理论意义与实用价值。本文对目标间拓扑特征进行建模,将目标间的位置关系量化为拓扑特征向量,研究了拓扑特征向量作为扩展目标跟踪方法中的辅助特征的有效性。首先,为了描述目标之间的相互位置关系,采用目标之间的距离和角度关系构造相应的关系矩阵;然后,通过区间划分的思想对量测分类,将关系矩阵转换为低维度的拓扑特征向量,以降低空间复杂度和后续数据关联的计算复杂度;最后通过滤波器对拓扑特征进行滤波与预测,改善拓扑特征的稳定性。实验与分析表明拓扑特征随时间变化的趋势是相对稳定的,可以作为目标跟踪过程中的辅助信息。本文提出一种拓扑特征辅助的扩展目标跟踪方法。在该方法中,首先建立含有拓扑特征的目标状态模型和量测模型。然后根据轨迹预测状态与量测的位置、形状、拓扑特征相似度进行量测筛选,剔除不可能存在匹配关系的匹配对,并建立关联代价矩阵。再利用关联代价矩阵和最优分配的思想,建立轨迹与量测构成的带权二分图,使用KM算法完成最优匹配的搜索,得出关联矩阵。最后通过卡尔曼滤波得到目标状态的最优估计。仿真结果表明该方法能够在保证时间效率的情况下,有效改善关联精度,从而提高跟踪性能。最后,本文设计并开发了智能车辆目标跟踪软件系统。在多种不同场景下,根据不同传感器的实时数据分析,结果表明本文方法在数据关联精度和系统时间效率两方面表现出较好的性能。