传统的多目标跟踪将目标看成一个点进行处理,而随着雷达等传感器分辨率的不断提升,一个目标可能获得多个量测信息,因此需要将点目标作为扩展目标来处理。在对其质心进行跟踪的同时,还需要对目标的扩展形状与扩散范围等信息进行估计,从而能够更全面的对目标进行跟踪与识别。目前,扩展目标跟踪已经越来越多的应用于航空航天、室内外定位以及人工智能等领域,解决扩展目标跟踪的主要方法就是基于随机有限集（RFS）框架下的跟踪算法。近年来,基于随机有限集的目标跟踪技术得到了快速的发展,越来越多与之相关的滤波算法被提出。泊松多伯努利混合（PMBM）滤波就是其中之一,其将多目标的状态建模为泊松与多伯努利混合两个独立的部分,分别用来表示已检测到与尚未检测到的目标,并对这两部分进行预测与更新,该算法具有跟踪精度高,运算速度快等优点。本文主要针对泊松多伯努利混合滤波在多扩展目标跟踪方面的应用进行了深入研究,具体研究内容如下:（1）在扩展目标跟踪的理论基础上,分别结合粒子滤波与箱粒子滤波,提出扩展目标序贯蒙特卡洛泊松多伯努利混合（ET-SMC-PMBM）滤波算法与扩展目标箱粒子泊松多伯努利混合（ET-BP-PMBM）滤波算法,并给出两个算法的具体流程与实现步骤。仿真结果表明,ET-PMBM算法相比概率假设密度（PHD）算法具有更高的跟踪精度,相比广义标签多伯努利（δ-GLMB）算法,两者跟踪结果相近但是运算效率前者远远高于后者。ET-BP-PMBM滤波基于箱粒子滤波所采用的区间分析方法会造成一定的误差积累,因此在跟踪精度方面有所下降,但运行效率更高,跟踪速度更快。（2）对于扩展目标的形状估计,本文在泊松多伯努利混合滤波基础上,结合随机超曲面模型,提出了基于随机超曲面的序贯蒙特卡洛泊松多伯努利混合滤波算法,实现了可以近似为椭圆形状目标的估计。仿真实验表明,该算法可以适应于复杂的跟踪场景,并且对扩展目标形状具有较高的跟踪精度。（3）将目前常用于随机集多目标跟踪中的三种评价指标最优子模式分配（OSPA）、广义最优子模式分配（GOSPA）以及完整最优子模式分配（COSPA）的指标含义、特点与使用场景分别进行总结,并在本文的实验仿真部分对三个指标进行了应用与分析。