随着传感器性能的不断提高,一个目标不再只产生一个量测,且每个目标对应的多个量测在用于对目标跟踪的同时还能提供该目标的形状等信息,扩展目标跟踪在目标跟踪领域的重要性日益凸显,因此对扩展目标跟踪的研究具有重要的理论意义和实用价值。由于随机集滤波能够有效避免数据关联,已成为扩展目标跟踪领域的主流方法。发挥PHD滤波在扩展目标跟踪中的优势,基于椭圆随机超曲面方法,对多扩展目标质心进行跟踪的同时使用椭圆去估计其扩展形状是本文的主要工作:首先针对扩展目标跟踪问题,介绍了随机集理论框架下的概率假设密度(PHD)滤波及扩展目标概率假设密度(ET-PHD)滤波,然后讨论了两种扩展目标中常用的两种量测划分方法:距离划分与均值偏移划分(MS),并通过仿真实验表明MS方法具有更好的量测划分精度;其后给出了ET-PHD的高斯混合(GM)实现形式及序贯蒙特卡洛(SMC)实现形式。在此基础上,结合椭圆随机超曲面(RHM),实现了MS-ET-PHD对扩展目标扩展形状的估计,该算法利用椭圆RHM形状参数与运动参数能够直接参与滤波更新的特点,并给出两种实现方法,分别是基于椭圆RHM的MS-ET-GM-PHD滤波及MS-ET-SMC-PHD,通过对比仿真实验分析两种算法对椭圆扩展目标形状估计的精度。随后针对机动目标跟踪问题,结合交互多模型(IMM)与基于椭圆RHM的MS-ET-SMC-PHD滤波算法,通过加入模型索引的方式转移粒子的形状参数及运动参数,从而完成PHD滤波算法交互的输入和权值的更新,实现了对机动扩展目标的跟踪及形状估计。最后针对目前形状估计性能评价指标体系存在的缺陷,基于两个有形目标相交和相并面积之比(IOU)提出了一种对椭圆朝向、势估计误差敏感的新的性能评价指标,通过仿真实验说明此性能评价指标的有效性。并以此评价指标分析验证了基于椭圆RHM的IMM-MS-ET-SMC-PHD滤波算法对多机动扩展目标跟踪的有效性和可靠性。