近些年伴随着经济的发展,无人驾驶技术迎来了新的发展阶段。无人驾驶的核心思想是利用安装在车辆周围的传感器进行道路规划和避障。在众多传感器中,毫米波雷达因其低成本、高分辨率、高精度、不受恶劣天气影响和保护隐私等独特优势,成为汽车无人驾驶技术的重要研究方向。目标检测是无人驾驶技术中的关键环节,实际道路环境错综复杂,为了保证毫米波雷达的目标检测性能,需要对相关检测算法进行改进。此外毫米波雷达也存在局限性,即角度分辨率较差。针对这一问题,可以利用多输入多输出（Multi-input Multi-output,MIMO）技术实现对目标的高分辨率测角。本文重点研究了基于77GHz调频连续波（Frequency Modulated Continuous Wave,FMCW）雷达的多目标检测算法,并在AWR1843雷达芯片上进行验证。本文的工作内容如下:（1）本文首先讨论了不同窗函数的时频域特性,通过加窗的方式降低FFT变换所带来频谱泄露的影响,为后续的信号处理奠定基础。在进行恒虚警检测（Constant False Alarm Rate,CFAR）前,使用多通道非相干积累的方法对杂波进行平均,以提高CFAR检测的准确性。接下来在多目标环境中比较了均值类（Mean Level,ML）、有序统计类（Ordered Statistic,OS）以及自适应类（Variability Index,VI）CFAR检测器的检测性能,实验结果表明三种检测器在多目标环境下均存在漏检或误检现象。针对此问题,本文进一步对OS-CFAR和VI-CFAR进行改进,并通过蒙特卡洛实验分析它们在多目标环境下的检测性能。实验结果证明了改进OS-CFAR具有更快的运算速度,改进的VI-CFAR解决了两侧均存在干扰目标时性能下降的问题。最后,将二者应用到二维CFAR检测中,其中距离维应用改进的OS-CFAR,多普勒维应用改进的VI-CFAR,并对改进OSVI-CFAR检测器进行仿真实验。实验结果表明,该算法在多目标环境中不仅具有良好的检测性能,且减少了运算时间。（2）本文分析了两种常见的（Direction-of-arrival,DOA）波达方向估计算法,即多信号分类算法（Multiple Signal Classification,MUSIC）算法和Root-MUSIC算法。针对在多径环境下会产生相干信号的问题,研究了前后向空间平滑算法的原理。结合前后向空间平滑算法和Root-MUSIC算法,本文提出了一种改进的前后向Root-MUSIC算法。相比前后向空间平滑算法,改进的算法充分利用了协方差矩阵中的信息,并使用反向单位矩阵对改进后的协方差矩阵进行了修正。实验结果表明,改进的算法具有更高的DOA估计精度,并且具有较优的解相干能力。（3）基于上述的研究结果,提出了完整的多目标检测流程,并通过仿真实验验证了该流程的有效性。最后本文设计了室内和室外两种多目标场景,利用AWR1843雷达进行数据采集,实测实验结果表明本文所提出算法能够有效地对多个目标进行分辨。