由于雷达和传感器的分辨率随科技进步而不断提高,得到的同一个目标的量测不止一个,此时,目标需看作是扩展目标,如果仍然使用传统的方法将量测和目标相关联进行跟踪已无法满足现状。近些年,基于随机有限集的多目标跟踪方法由于能够有效地解决传统跟踪方法中出现的一些难题,并且在计算复杂度方面明显优于传统算法,所以受到了广泛学者的认同。本文主要针对扩展目标中基于高斯过程回归的多目标跟踪算法展开研究。主要研究内容如下:1.针对现有扩展目标跟踪算法中,形状估计复杂,在考虑漏检及杂波情况下目标跟踪精度不高等问题,提出了一种基于高斯过程回归的伽玛高斯混合势概率假设密度扩展目标跟踪算法。该算法采用星凸模型对目标进行建模,在伽玛高斯混合势概率假设密度滤波器对扩展目标运动状态估计良好的基础上,利用高斯过程回归对目标形状进行估计,实现了对扩展目标的有效跟踪。实验仿真表明,所提算法能够对目标的运动状态进行高效跟踪,且在扩展形状的估计精度、计算速度等方面要优于基于星凸随机超曲面的伽玛高斯混合势概率假设密度滤波器。2.研究了机动扩展目标跟踪的基础理论,包括目标运动模型和交互多模型算法等。为了同时估计机动扩展目标的运动状态和扩展状态,结合交互多模型,提出了一种高斯过程回归下的多机动扩展目标跟踪算法。首先,该算法以高斯混合概率假设密度扩展目标跟踪算法为基础,通过引入交互多模型算法来解决扩展目标的机动问题。然后用高斯过程回归算法来估计机动目标的扩展状态。其中,通过对量测进行归一化处理提高了扩展状态的估计精度。仿真实验表明,所提算法可以改善椭圆近似目标带来的信息丢失问题,同时在计算效率上高于非椭圆机动扩展目标跟踪算法,在有效跟踪机动扩展目标的同时,能实时估计目标的运动状态、扩展状态等信息。