近年来,随着道路环境的日渐复杂,智能交通系统（Intelligent Transport System,ITS）的作用日渐凸显。毫米波雷达凭借全天时、全天候、高分辨等优点成为ITS中的核心传感器之一。基于实际应用环境中复杂的点云数据设计精确度尽可能高、实时性尽可能好的多目标跟踪算法对提升ITS工作性能具有重要意义。为此,本文围绕道路场景下基于毫米波雷达的扩展目标跟踪技术展开理论研究与实测分析,具体研究内容如下:（1）针对扩展目标跟踪过程中的点迹凝聚问题,提出适用于近场距离的基于目标运动特征的DBSCAN算法。该算法通过判断DBSCAN初步聚类结果是否为双目标点簇确定是否对其进行二次聚类,有效解决了传统DBSCAN算法在多目标场景下,因目标距离较近且运动状态相似而导致的无法准确聚类的问题。最后,通过近场距离下的实测点云验证了基于目标运动特征的DBSCAN算法的聚类性能。（2）针对扩展目标跟踪过程中均值法估计质心时未考虑聚类点簇中点云分布的问题,提出基于高斯分布的质心确定算法（Gauss-CD）与基于非参数核方法的质心确定算法（Kernel-CD）,并推导了两种算法的克拉美罗下界（CRLB）。Gauss-CD利用高斯分布拟合点云服从分布,通过最大似然估计确定质心位置。实验分析表明,该算法拟合的点云分布不够准确,其性能与均值法性能相似。针对此问题,KernelCD利用非参数核方法拟合聚类点簇中点云的未知分布。性能评估表明,相较于Gauss-CD和均值法而言,Kernel-CD估计的质心更接近目标真实位置、精度更高。（3）结合道路场景下毫米波雷达获取的扩展目标点云数据,设计了基于扩展目标的多目标跟踪算法。该算法首先利用椭圆波门和群残差协方差矩阵设计了自适应关联门限;然后基于质心不确定性及雷达测量误差估计量测噪声的自适应协方差矩阵,并将其应用于扩展卡尔曼滤波（EKF）与无迹卡尔曼滤波（UKF）中;最后结合逻辑法设计了航迹管理方案。经仿真和实测验证,基于扩展目标的多目标跟踪算法估计轨迹的RMSE基本不超过0.5 m,在道路场景下具有良好的跟踪性能。（4）针对道路环境对跟踪算法鲁棒性的要求,提出基于扩展目标的加权鲁棒EKF算法（ET-ROD-EKF）。该算法对量测噪声的自适应协方差矩阵进行加权,并在高斯噪声及学生t分布噪声下验证ET-ROD-EKF算法的跟踪性能。结果表明,ET-ROD-EKF对异常值具有一定鲁棒性,有效降低了异常值对估计位置的影响。