目标跟踪技术与人们的生产生活、军事航天系统密切相关,具有丰富的学术研究意义和很高的应用价值。多扩展目标跟踪问题是伴随着现代高精度传感设备的发展而产生的,吸引着海内外学者们的研究兴趣。该技术在快速发展的同时也面临着诸多挑战,比如:目标机动、目标数量变化、目标航迹估计等。本文在随机有限集理论背景下,基于扩展目标概率假设密度（ET-PHD）滤波框架,开展对多机动扩展目标跟踪与航迹估计方法的研究,主要工作如下:（1）针对传统的多扩展目标PHD滤波器难以适应机动目标跟踪的问题,提出一种自适应参数粒子PHD多机动扩展目标跟踪算法。该算法使用自适应的目标机动参数估计方法,能够对目标状态和目标机动参数进行联合估计;并针对算法的粒子滤波重采样环节做出改进,能够自适应地检测退化的粒子,并在目标状态空间的高似然区域重新采集粒子,提高样本多样性,使算法在拟合目标状态时可以提供更高的准确度。此外,针对新生目标识别方面,提出采用量测驱动技术自动识别并跟踪新生目标。实验结果表明,该算法能够有效跟踪复杂场景下的多个机动扩展目标,对系统噪声和杂波的适应能力较强,具有较好的稳定性。（2）针对复杂场景下目标动态模型未知、缺乏新生目标分布等先验信息时的跟踪问题,提出一种自适应网格驱动PHD多机动扩展目标跟踪算法。该算法可以在新生目标分布、目标动态模型都未知的前提下对目标状态进行递归估计。算法利用网格的动态趋势来响应每个目标的未知动态模型,可以自适应地调节网格分辨率,通过网格的收缩与扩张改变网格大小,以此来捕捉任意机动的目标动态。对于跟踪区域内随机出现的新生目标,可以通过对传感器量测分析进行识别,并为其生成新生目标网格。实验结果表明,该算法能够实现对运动模型未知、新生目标强度未知的多个机动扩展目标的跟踪。（3）针对传统的基于ET-PHD滤波框架的跟踪算法无法估计目标完整航迹的问题,将预测关联技术引入到本文提出的自适应参数粒子PHD和自适应网格驱动PHD多机动扩展目标跟踪算法中,可以实现对滤波器的估计结果进行航迹管理,寻找出相邻时刻目标状态集之间的最佳关联,从而给出每个目标的连续航迹信息。实验结果表明了该方法在估计多机动扩展目标航迹时的有效性。