椭圆拟合是数据处理中的一个经典问题。它在图像处理，机器视觉，模式识别等领域都有重要应用。由于在实际数据中不仅存在噪声，还可能存在一些孤立点，因此找到一种稳健、有效、易用的椭圆拟合方法一直很难。本文讨论了一些常用的椭圆拟合方法如最小二乘，Hough变换拟合，五点拟合等。并对其中几个方法作了实现。通过对这些方法的比较提出了椭圆拟合中存在两个问题：1．来自孤立点的干扰；2．噪声干扰下短弧段椭圆拟合结果的不稳定性。为此，我们首先对初始拟合的偏差使用以中位数求方差的方法来检测孤立点，并通过迭代方式尽量消除孤立点对拟合的干扰；然后用扩展的卡尔曼滤波对去除孤立点后的数据完成椭圆拟合，评价其误差并预测拟合结果的置信区间。这就给出了一种新的椭圆拟合算法。实验结果表明这种算法确实是一种稳健，有效，易用的方法。