传统的多目标跟踪算法都是根据点目标的假设,即在一次扫描中对单个目标只会形成至多一个点量测。由于激光雷达等新硬件的发展,每一个目标将会可能产生多个量测,目标的形状和范围将变得不可忽视,在对目标质心跟踪的同时,还要对目标的形状与范围等信息进行估计,由此产生了扩展目标跟踪问题。目前,扩展目标跟踪技术已经越来越多的应用于如室内外定位,自动驾驶,环境感知等领域。近年来,随着对随机有限集理论的进一步深入研究,基于随机有限集的多扩展目标跟踪算法取得了高速的进展,更多的相关滤波算法被相继提出,轨迹泊松多伯努利混合（TPMBM）滤波就是其中之一。该算法将多目标的状态分别建模为泊松随机有限集与伯努利随机有限集两种彼此独立的部分,分别代表没有检测到的目标和已经检测到的目标,并对这两个部分进行预测与更新,相比泊松多伯努利混合（PMBM）滤波算法,还可以对目标的航迹进行监控,识别不同的目标。本文以轨迹泊松多伯努利混合滤波算法为基础,对多扩展目标跟踪方法进行了深入研究,具体工作内容如下:（1）结合粒子滤波与TPMBM滤波算法,提出了序贯蒙特卡洛轨迹泊松多伯努利混合（SMC-TPMBM）滤波算法。该算法使用一组加权的随机且均匀分布的粒子来拟合多目标的后验概率密度,然后使用TPMBM滤波算法,通过递归估计出多目标的状态,数量以及轨迹。仿真结果表明,该算法可以很好地应用于非线性条件下的目标跟踪,拓展了TPMBM算法的适用范围。（2）对于扩展目标的形状估计,在轨迹泊松多伯努利混合滤波算法的基础上,结合伽玛高斯逆威舍特模型,提出了基于伽玛高斯逆威舍特模型的轨迹泊松多伯努利混合滤波（GGIW-TPMBM）算法,实现了对目标近似为椭圆的形状估计。仿真实验表明,该算法可以在估计目标形状的同时,有效的跟踪目标状态与数目信息,且具有较高精度。（3）在基于随机优化的一步似然估计算法的基础上,提出了基于一步似然估计的轨迹泊松多伯努利混合滤波（SO-TPMBM）算法,并给出其针对扩展目标的高斯逆威舍特实现。仿真结果表明,该算法可以有效的跟踪目标状态和数量以及分辨不同目标的轨迹,对比原本的轨迹泊松多伯努利混合滤波（TPMBM）算法,在保证原有精度的的条件下,提高了滤波器的效率,更适用于高实时性系统。