随着毫米波雷达技术和生产工艺的发展,雷达的尺寸越来越小,测量精度越来越高,使得汽车雷达成为了高级辅助驾驶技术(ADAS)和自动驾驶感知技术中不可替代的传感器之一。它可以用来提高汽车作为交通工具的安全性和驾驶舒适性,可以避免车辆碰撞带来的伤亡损失。毫米波雷达利用辐射电磁能量来测量在传感器视场范围中的目标,远距离目标探测能力强。与其他汽车传感器相比,汽车雷达可以提供目标独一无二的速度(多普勒)测量,在恶劣天气和强光照环境下仍有较好的鲁棒性,并且成本相对较低。本文基于77GHz TDM-MIMO(时分复用多输入多输出)体制毫米波雷达,对原始回波信号进行时频变换提取检测目标的信息,然后又对点目标和扩展目标两种不同的情况下跟踪算法进行了研究。本文具体展开的研究工作如下:(1)雷达主要使用多输入多输出技术(MIMO)增加其虚拟天线通道数量来提高角度分辨率。针对算法理论部分,本文对TDM-MIMO体制下线性连续调频锯齿波测距测速测角理论进行了分析,推导了TDM-MIMO雷达的信号模型和形成的虚拟阵列,指出当目标与雷达之间存在相对运动时,由运动目标多普勒频率在不同发射天线切换时间内带来的相位变化量会耦合到各接收天线上,导致在角度维度上频谱出现散焦效应。(2)设计了TDM-MIMO雷达的检测算法流程,解决了雷达检测中经常会存在的两类误差问题。设计了有源校准方案,对信号的幅相一致性进行校准,以提高测角可靠性。二是多普勒速度和测量角度存在耦合,针对这种问题,通过分析运动目标相位误差产生的原因,提出了一种相位补偿方法,并设计了相应的解速度模糊方案。该方法无需对目标速度进行预估,并且无需额外的硬件开销。最后,通过实测数据证明检测算法的可行性,并且具有较低的时间复杂度。(3)为了更好的在复杂多目标环境下对点目标进行跟踪,使用扩展卡尔曼滤波算法(EKF)对基于密度的聚类算法(DBSCAN)进行改进,并通过仿真数据和实测数据的实验进行验证。结果表明:新算法在进行增量聚类时每次耗时可以保持在一个稳定且较低的水平,在不增加时间复杂度的情况下进行自适应聚类,可以解决汽车雷达数据密度不均匀的情况。可见新算法同时实现了增量和自适应DBSCAN聚类,同时保证聚类的效率和准确度。(4)针对目前比较难解决的扩展目标跟踪问题,本文将多普勒速度加入目前最先进的随机有限集理论跟踪方法中,使用泊松多伯努利混合滤波(PMBM)算法对目标进行预测更新,设计了矩形模型,并对异常多普勒速度进行修正,采用吉布斯采样法进行数据关联,大幅度减小了计算量,实质性的提高跟踪效率和跟踪精度。