传统目标跟踪方法中通常将目标看作点目标,忽略其形状特征,仅估计目标的运动状态。随着高分辨率传感器的广泛应用,传感器每一采样时刻能够获得目标的多个量测,此时点目标模型难以准确描述目标的完整状态,导致跟踪性能下降甚至失效。因此,迫切需要新的目标模型既能描述目标的运动状态,又能描述目标的形状特性即扩展状态,扩展目标跟踪算法应运而生,已成为目标跟踪领域研究难点和热点。本论文以随机有限集(Random Finite Set,RFS)滤波为理论基础,针对伯努利滤波、势均衡多目标多伯努利(Cardinality Balanced Multi-Target Multi-Bernoulli,CBMeMBer)滤波以及标签多伯努利(Labeled Multi-Bernoulli,LMB)滤波中的目标扩展状态估计问题开展研究,重点研究基于随机超曲面模型的RFS滤波算法,主要研究内容和取得的成果如下:1.针对单椭圆扩展目标跟踪中存在的扩展状态估计不准确问题,以随机超曲面和伯努利扩展目标跟踪算法为基础,提出了一种相应的序列蒙塔卡罗(Sequential Importance Sampling,SMC)实现方法。该算法将随机超曲面模型和伯努利滤波算法相结合,用随机超曲面模型建模目标量测源,根据量测源分布描述目标的形状信息,从而准确估计出目标的扩展状态。实验结果表明,所提算法的跟踪性能优于伯努利扩展目标跟踪算法,并且可提高目标扩展状态估计的精度,具有良好的应用价值。2.针对扩展目标CBMeMBer滤波算法无法估计目标扩展状态问题,以随机超曲面和CBMeMBer扩展目标跟踪算法为基础,提出一种序列蒙特卡洛的实现方法。该算法通过随机超曲面的随机尺度因子获取量测源的分布集合,从中选取量测源,合理描述了目标先验信息缺失的情况。在描述目标状态时,将描述扩展状态的参数融入到运动状态向量中,有效避免了矩阵处理。实验结果表明,所提算法在提高跟踪性能的同时可精确估计出目标的扩展状态,并具有良好的应用前景。3.针对传统多扩展目标跟踪过程中无法形成有效目标轨迹问题,结合随机超曲面和LMB跟踪算法,提出一种伽马高斯混合(Gamma Gaussian Mixture,GGM)的实现方法。该算法的核心是在目标状态更新前对量测源建模,通过量测源的分布描述目标的扩展状态,可实现目标扩展状态的准确估计,同时考虑了各个目标的运动轨迹。仿真实验验证了所提算法的跟踪性能和良好的实际应用价值。