传统高斯混合粒子概率假设密度滤波器(Gaussian mixture particle probability hypothesis density filter,GMP-PHDF)采用先验状态转移概率密度作为重要性密度函数,会出现粒子退化问题。而递推更新高斯滤波器依据测量函数梯度渐进式地进行状态更新,可获得更为接近于真实分布的后验估计,但其协方差矩阵易非正定而导致递推中断。对此,本文首先分析平方根递推更新高斯滤波器(square-root recursive update Gaussian filter,SR-RUGF)的实现思路,并给出基于容积卡尔曼滤波(cubature Kalman filter,CKF)的SR-RUGF实现步骤。在此基础上,利用SR-RUGF为GMP-PHDF构建重要性密度函数,进而提出基于平方根递推更新的GMP-PHDF(square-root recursive update GMP-PHDF,SRRU-GMP-PHDF)算法。仿真结果表明,算法可以很好地利用量测信息,获得更高精度的估计结果。