传统的目标跟踪算法假设目标为点目标,即在每个时刻每个目标最多产生一个量测。随着传感器精度的不断提高,这个假设不再成立,一个目标在每个时刻可产生多个量测,量测的数量也随着时间发生改变,此时的目标跟踪问题称为扩展目标跟踪。由于量测数量增多,人们不仅关注目标的运动状态,同时希望获得目标的估计形状。很多学者对扩展目标跟踪问题展开了研究,但是仍存在很多问题亟待解决。本文针对形状估计较差,无较好的评价指标等问题,开展了基于高斯曲面拟合的扩展目标跟踪算法研究,主要工作如下:1、针对目前扩展目标形状估计较差、无法体现形状主要特征的问题,本文提出了一种基于水平集和高斯曲面拟合的扩展目标形状估计算法。该算法使用多个时刻的量测,采用高斯曲面拟合的方式,建立包含了形状信息的量测源分布模型,并使用水平集描述扩展目标形状,在此基础上进行扩展目标的形状估计。针对水平集方法中形状函数的建模和阈值求解问题,建立形状函数和量测源空间分布函数之间的联系,并提出了一种求解水平集阈值的自适应算法。针对传统高斯曲面拟合方法中存在的预设参数的问题,提出了一种基于边缘量测的高斯曲面协方差自适应算法,可以有效的解决传统算法中存在的问题。提出的形状估计算法能够在不需要任何形状先验的情况下,获得较为精确的估计形状。仿真实验表明,即使目标的形状比较复杂,提出的算法也能获得较好的估计结果。2、提出的形状估计算法采用了多个时刻的量测对目标的形状进行估计,针对由量测的增多而导致的计算量增大的问题,在贝叶斯框架下,采用高斯混合模型得到了估计形状的递推式,对估计形状进行更新。在估计扩展目标的运动状态时,采用滤波精度较高的容积卡尔曼滤波器,对扩展目标的运动状态进行估计。仿真结果表明,所提算法可以较精确地估计目标的运动状态,估计形状能够展示出目标的形状细节和主要特征,高斯混合模型也能够有效地更新目标的估计形状并降低算法运算量。3、针对现有扩展目标形状评估指标无法较好地度量形状特征的相似程度的问题,提出了一种基于径向函数的扩展目标估计形状评价指标。该指标采用径向比值的标准差,描述估计形状和真实形状的相似程度,采用径向比值的均值,描述两个形状的大小关系。针对一个角度下存在多个半径的问题,还提出了一种径向管理策略。仿真实验表明,不管是估计形状和实际形状存在特征上或者大小上的差异,提出的指标都能够较好的评价二者的相似程度。