对周围目标进行感知定位是自动驾驶系统的关键技术之一。当前系统主要采用摄像头和毫米波雷达进行感知。摄像头难以有效测量目标位置与速度,毫米波雷达无法区分目标类别。多传感器融合可以实现优势互补,但面临标定精度和错漏检两大问题。本文使用径向基函数神经网络拟合投影函数,提高了标定准确性。提出融合目标检测与跟踪的动态置信度定位方法,降低噪声以及漏检误检带来的影响。针对多种复杂状况分别制定对应融合措施,提高融合后的目标定位精度。最后,逐步搭建包含多组摄像头-毫米波雷达的实车实验平台,并基于该平台对周围目标感知定位能力进行验证。本文的研究内容主要包含以下几个部分:（1）传感器标定:提高摄像头与毫米波雷达外参标定精度。使用径向基函数神经网络代替传统小孔成像模型完成摄像头与毫米波雷达外参标定。首先对4个摄像头、4个毫米波雷达进行内参标定。然后用径向基神经网络模型对摄像头与毫米波雷达进行外参标定,解决点云投影后图像左右边缘出现局部错位的问题。最后将所有传感器相对于车辆中心位置进行标定。（2）融合视觉与雷达的目标检测与跟踪定位:为跟踪目标赋予置信度降低漏检误检影响,针对多种状况制定融合措施。对YOLO-v3进行模型转换后进行多目标目标检测。利用标定关系,将毫米波雷达点云投影到图像平面,并截取出每一个图像目标对应的点云锥。通过图像和点云预估目标图像框的大小、位置、类别等信息,使用径向基函数神经网络初步匹配目标雷达点。最后融合基于目标置信度的多目标跟踪结果与投影检测结果,完成对目标目标的融合感知定位。（3）实车平台的搭建与实车验证。在实车上部署MDC300计算平台,安装上述多组传感器与相关硬件,实车采集数据,同步处理后完成内外参的标定。最后,在电子科技大学校园道路中进行5个不同的实车实验,验证本文基于视觉与毫米波雷达融合的目标感知定位方法的可行性。