目标跟踪是利用多源异构传感器对选取的运动目标进行状态估计的过程。不论是民用满足人们日常出行的需求,还是军用作为现代高科技战争和航空航天等领域的关键技术,一直以来都是国内外专家学者的研究热点。本文基于随机有限集理论框架下的PHD和CPHD滤波器,结合箱粒子滤波方法,研究了多目标跟踪和多扩展目标跟踪的一些具体问题,主要工作如下:1、针对现有的多目标追踪问题,将交互式多模型（Interacting Multiple Model,IMM）思想与箱粒子概率假设密度滤波器（Box Probability Hypothesis Density Filter,Box-PHD）相结合,并针对箱粒子在复杂环境下箱体偏大所导致的冗余和目标位置估计不精确等问题,提出一种划分交互式箱粒子概率假设密度滤波（Partitioned Interacting Multiple Model Box Probability Hypothesis Density Filter,PIMM-Box-PHD）算法。该算法首先在预测阶段针对多目标的机动问题引入IMM预测,利用多模型交互方法来解决目标运动时模型失配问题;其次,利用箱划分技术将预测得到的箱粒子划分为大小和权值相同的多个子箱,以提高目标位置估计精度;最后,利用Box-PHD对划分后的小箱粒子集进行区间量测更新。利用实验验证了本文所提PIMM-Box-PHD算法在椭圆形多机动目标跟踪方面的良好性能,以及相较于IMM-Box-PHD算法在目标位置估计方面的优势。2、针对当前扩展目标跟踪量测划分方法中,距离划分存在划分数过多、计算复杂度高等问题,将密度峰值快速聚类算法CFSFDP（Clustering by fast search and find of density peaks）与箱粒子势概率假设密度滤波器（Box Cardinalized Probability Hypothesis Density Filter,Box-CPHD）相结合,提出基于CFSFDP算法的箱粒子CPHD扩展目标滤波算法。该算法利用CFSFDP划分扩展目标量测集,基于量测信息密度的不同可以有效划分区间量测,并剔除杂波量测,然后采用Box-CPHD进行预测更新和目标状态估计。仿真实验表明与经典的距离划分方法对比,CFSFDP在达到同等效果的前提下,运行时间明显减少;在剔除杂波之后的高杂波环境下,杂波的变化只影响距离划分的运算时间而不再影响CFSFDP划分,采用CFSFDP处理量测信息可以有效提高运行效率和算法实时性,剔除杂波之后在一定程度上提高了目标位置估计精度。