随着高分辨率传感器技术的飞速发展,扩展目标跟踪技术在高分辨率雷达探测、智能驾驶等军事和民用领域,引起了越来越多的关注。扩展目标跟踪不仅要估计目标的运动特征,还要估计目标的轮廓特征,比传统点目标跟踪面临更多挑战。对高分辨率雷达探测来说,通常在极坐标系下对目标进行测量,且有大量的地海杂波干扰,目标与雷达的视角变化还会使目标轮廓特征时变。这些进一步增加了扩展目标跟踪的难度。针对这些问题,本文以高分辨雷达对空探测为背景,开展了极坐标系下基于高斯过程的扩展目标跟踪技术研究。1.针对极坐标系下扩展目标跟踪的测量非线性问题,提出一种基于无偏转换的高斯过程扩展目标跟踪方法。首先,利用无偏转换将原始非线性测量转化为线性测量,该无偏转换利用目标真实状态信息,采用一步预测估计代替转换后的测量误差协方差,消除了转换偏差。其次,将高斯过程模型嵌入到概率数据关联算法中,用于估计扩展目标运动状态和轮廓状态。仿真比较所提方法与随机矩阵方法的性能,结果表明该方法在运动状态的估计性能上与随机矩阵方法接近,但可以额外估计形状不规则的目标轮廓。2.针对无偏转换依赖目标真实状态的问题,提出一种基于非线性滤波的高斯过程扩展目标跟踪方法。首先,该方法直接在极坐标系下建立测量模型,并求解对应的测量噪声协方差。其次,结合目标轮廓遗忘因子,建立目标轮廓转移矩阵和对应过程噪声,以适应扩展目标轮廓时变。最后,建立扩展目标的联合跟踪波门选择有效测量,并得到相关事件的关联概率,更新目标状态和协方差。仿真表明本文所提方法具有更小的滤波误差和更快的收敛速度。3.针对极坐标系下低信噪比的扩展目标跟踪问题,提出一种带幅值信息的高斯过程概率数据关联方法。该方法首先利用幅值特征增强目标状态向量,通过检测阈值从原始数据中提取扩展目标幅值信息;然后将幅值似然比与关联似然比有效结合,修正关联概率,估计扩展目标的运动状态和轮廓状态。仿真结果表明与无幅值信息的高斯过程概率数据关联方法相比,本文所提方法在扩展目标中心位置估计和轮廓位置估计方面误差更小。