随着现代传感器分辨率的提高,目标往往占据多个传感器分辨率单元,传感器能够获取到关于目标的信息也变得更加丰富,但简单的点目标模型不足以处理这些目标信息从而面临巨大挑战,迫切需要更加复杂的扩展目标模型对目标状态进行准确估计。扩展目标往往会产生多个量测值,传统基于数据关联的点目标滤波模型不足以应对扩展目标带来的计算复杂度问题。近年来,随着对随机有限集（Random Finite Set,RFS）理论的深入研究,为多扩展目标跟踪提供了新思路。本文以RFS理论为基础,针对扩展目标量测集划分和目标扩展状态估计问题,展开相关研究工作。具体的研究内容如下:1.研究了杂波环境下,目标数目未知且变化的多扩展目标量测集存在难以划分、计算代价高的问题。基于距离划分多扩展目标跟踪方法在扩展目标航迹交叉时,出现明显的是估计误差。为此,本文提出一种基于时空关联的划分算法,该算法考虑扩展目标相邻时刻的关联性,利用此先验信息对量测集合进行第一次划分,将量测集合分为存活目标量测集和新生目标量测集。存活目标量测集采用K-means++算法聚类后,扩展目标跟踪转化为点目标跟踪;新生目标量测集采用DBSCAN聚类算法对量测集合进行预处理,再利用有向图SNN（Shared Nearest Neighbors,SNN）划分算法对量测集合进行划分。本文给出的方法有效减少了划分数目,从而降低运算时间开销。实验结果证明该算法的有效性。2.研究了杂波环境下利用目标扩展状态对目标进行分类,即不规则多扩展目标联合跟踪与分类问题。以往的联合跟踪与分类算法都是将目标的扩展状态建模为椭圆,在目标大小相似时不能正确对目标进行分类。为此,结合RHM（Randmon Hypersurface Model,RHM）,本文提出一种基于势均衡多目标多伯努利（Cardinalized Balanced Multi-Target Multi-Bernoulli,CBMe MBer）的非规则扩展目标联合跟踪与分类算法,即JTC-RHM-CBMeMBer滤波算法。该算法不仅能正确估计非规则扩展目标的运动状态、量测率、扩展状态等进行估计,还可以对目标进行分类,且在算法复杂度上与RHM-CBMeMBer滤波算法相当。仿真实验证明所提算法的跟踪性能优于RHM-CBMeMBer滤波算法。