近年来,随着汽车数量的不断增加,汽车安全问题已成为人们关注的焦点。毫米波雷达对光线和天气条件不敏感,可以直接测量目标的距离、角度和径向速度等信息,是检测其他车辆、行人以及道路环境的重要手段。最初,毫米波雷达在车载领域的功能主要是距离警告和目标规避,但随着雷达技术的发展,其应用领域扩展至自适应巡航控制（Adaptive Cruise Control,ACC）、自动紧急制动（Autonomous Emergency Braking,AEB）、盲点检测（Blind Spot Detection,BSD）或变道辅助（Lane Change Assist,LCA）等等。毫米波雷达能够实现这些功能的前提是能够准确地对目标进行跟踪检测。然而,道路环境复杂,毫米波雷达容易受到其他干扰因素的影响。由于道路上车载毫米波雷达数量的增加,雷达之间的相互干扰问题日益严重。干扰会导致目标无法被检测或检测结果与实际目标状态不符。因此,本文对基于奇异谱分析方法的干扰抑制方法进行了研究。另外,由于传感器的测量精度及噪声的影响,毫米波雷达在进行目标跟踪时容易产生误差,有时还会造成目标丢失,本文还对毫米波雷达的跟踪方法进行了研究。本文的主要工作内容如下:一、对毫米波雷达互相干扰对距离检测和角度估计的影响进行分析,建立干扰模型。针对雷达间的相互干扰进行了仿真,仿真结果表明,在进行距离检测时,互相干扰会导致目标底噪的提高,信噪比降低。底噪的增加使得目标无法通过恒虚警率（Constant False Alarm Rate,CFAR）检测出来。在进行角度估计时,信噪比的下降使得基于子空间技术的多重信号分类（Multiple Signal Classification MUSIC）方法无法实现目标角度的精确估计。分析了传统卡尔曼滤波及粒子滤波在目标跟踪过程中的应用及其局限性。卡尔曼滤波（Kalman Filter,KF）只能够在线性状态模型和观测模型性中进行最优估计,而在毫米波雷达跟踪过程中,涉及到极坐标到笛卡尔坐标的非线性转换过程。粒子滤波（Particle Filter,PF）适用于非线性系统,但其在滤波过程中存在粒子退化问题。随着滤波迭代次数的增加,粒子权重最后容易集中在少数样本中,而大多数粒子的权重很小,从而影响粒子滤波的跟踪性能。二、提出了一种基于奇异谱分析的干扰抑制方法。由于传统奇异谱分析方法无法在有干扰时选择正确信号分量进行重构,本文根据毫米波雷达相互干扰的特点,提出了一种基于信号自适应分段和模板匹配的奇异谱分析（Adaptive Segmentation and Template Matching based on SSA,ASTM-SSA）方法来抑制该干扰。在信号分段阶段,通过变点检测确定干扰的变点,然后根据变点将中频信号分为等长的有干扰和无干扰两段。在模板匹配阶段,对两段信号进行分解,在无干扰段中,通过相邻奇异值差的方法确定无干扰的目标分量,并以此为模板,与每一个有干扰段的分量进行匹配,选取相似度最高的分量对信号进行重构。仿真和实验表明,所提方法能有效抑制毫米波雷达之间的相互干扰,提高目标信噪比,从而准确检测目标距离和角度。三、提出了一种基于改进粒子滤波的目标跟踪方法。进行目标跟踪时,目标轨迹与实际轨迹可能存在偏差,甚至会出现目标短暂丢失的情况。由于传统粒子滤波存在粒子退化、粒子贫乏等问题,提出了使用粒子滤波与无迹卡尔曼滤波（Unscented Kalman Filter,UKF）结合的无迹粒子滤波（Unscented Particle Filter,UPF）进行目标跟踪。无迹粒子滤波通过无迹卡尔曼滤波计算粒子的均值和方差,然后利用该均值和方差进行采样。在此过程中,均值和方差的计算使用到了最新的观测信息,使得采样粒子更接近目标的后验分布。针对目标丢失的情况,使用历史状态和运动模型进行目标轨迹预测,预测过程中既保留了历史状态信息,也吸纳了部分预测状态信息。仿真和实验结果表明无迹粒子滤波在目标跟踪精度和目标丢失预测方面比传统粒子滤波和无迹卡尔曼滤波效果更好。