随着现代传感器分辨率的显著提升和信息融合技术的飞速发展,扩展目标跟踪（Extended target tracking,ETT）技术已经成为现代目标跟踪研究领域中的热点和难点,并引起了国内外学者们的广泛关注。传统的雷达目标跟踪技术基于“点”目标假设,在采样周期内一个目标只能对应一个量测,而在扩展目标跟踪中每个时刻目标对应了多个量测,这大大加剧了此类问题求解的难度。多扩展目标跟踪技术可以利用目标的多源量测信息,通过有效且复杂的信息处理运算,得到对多目标形状和运动状态的联合估计,这对于目标的深度识别无疑具有非常重大的现实意义。在多扩展目标跟踪问题中,由于每个目标对应了多个量测,所以进一步加剧了多目标和量测之间数据关联关系的模糊性和复杂性。有鉴于此,本文在杂波干扰影响下以研究有效的多扩展目标跟踪滤波算法为目的,基于所研究的扩展目标数据关联理论,结合空间泊松模型（Spatial Poisson model,SPM）和星凸形随机超曲面模型（Star random hypersurface model,SRHM）对多扩展目标跟踪滤波问题展开深入的研究,论文主要工作如下:（1）针对杂波环境下的单扩展目标跟踪问题,本文基于概率数据关联（Probabilistic data association,PDA）理论,结合空间泊松模型以及星凸形随机超曲面模型提出了复杂跟踪应用背景下的单扩展目标跟踪算法。首先,研究利用有效的量测集划分方法对扩展目标量测集进行合理的聚类,并设计扩展目标跟踪门技术确定目标的有效量测簇。对于非形状扩展目标,利用有效量测簇得到空间泊松模型下多量测似然函数,而对于不规则形状的扩展目标,利用星凸形随机超曲面模型对量测源信息进行建模,借助径向函数对不规则轮廓进行表征。进一步,在PDA数据关联的理论体系下,生成扩展目标的关联事件,由全概率公式和量测似然函数得到所对应的关联概率,进而得到扩展目标的最优状态估计。最后,通过仿真实验验证了本文算法的有效性。（2）针对杂波环境下多扩展目标跟踪问题,本文提出了联合概率数据关联多扩展目标滤波算法。首先,研究了联合概率数据关联（Joint probabilistic data association,JPDA）方法有效解决多扩展目标与量测集的关联问题,然后结合空间泊松似然模型和随机超曲面模型分别对多扩展目标的量测源进行建模,通过设计多扩展目标跟踪门所形成的聚计算相应的确认矩阵,利用多扩展目标的确认矩阵拆分技术划分多扩展目标的关联可行事件集,然后通过贝叶斯递推计算相应的多扩展目标的关联概率,并最终递推更新多扩展目标的多特征估计信息。最后,构造仿真实验验证了本文所提多扩展目标的有效性和适应性。