基于随机有限集理论的概率假设密度(Probability Hypothesis Density,PHD)滤波器是处理多目标跟踪问题的有效方法。为了提高概率假设密度(PHD)滤波器的多目标跟踪性能,本文提出了一种基于量测划分的高效PHD航迹关联算法。考虑到传统PHD滤波无法给出目标各自的连续航迹属性信息,而且当跟踪区域存在大量杂波时,滤波效率严重降低;同时,对于密集邻近多目标跟踪,传统方法还存在不同目标跟踪的量测不匹配问题。针对以上问题,本文提出了分类检索椭球门限量测划分方法,并将其应用到改进的高斯项权值重新分配的PHD航迹关联算法中。首先对每一步得到的量测集合通过分类检索的椭球门限方法,划分为已存在目标、新生目标和杂波的量测子集,再分别对各类目标使用对应的量测子集进行跟踪滤波,这样去除了杂波对真实目标的无效更新计算;其次,通过引入一种新的高斯分量权值分配规则,调整邻近目标的高斯成分的权值大小,大幅减小了邻近目标的状态提取误差。大量数值仿真表明,所提方法明显改进了滤波计算效率和邻近目标跟踪精度。