近年来,随着人工智能的兴起,无人驾驶技术逐渐成为研究的热门领域。无人驾驶汽车通过传感器感知周围环境,而环境感知主要包括目标的跟踪与识别。因此高精度的跟踪算法以及高准确率的识别算法对无人驾驶车辆的研究具有较大的推动作用。在目标的跟踪过程中,由于回波信号的非视距传播以及环境噪声干扰等因素导致观测信息中出现奇异值,从而影响算法的跟踪精度。此外,在目标识别过程中,传统的识别算法对类别不平衡问题较为敏感。然而在无人驾驶汽车的应用场景中,类别不平衡问题普遍存在,尤其在高速公路上,车辆样本远高于行人样本从而形成了典型的类别不平衡。因此,如何降低奇异值对算法跟踪性能的影响以及解决类别不平衡问题是具有重要意义且亟待解决的研究课题。针对目标跟踪中的奇异值抑制以及目标识别中的类别不平衡问题,本文开展了基于毫米波传感器的目标跟踪与识别的研究,论文的主要工作和创新点如下:1.分析了毫米波传感器目标跟踪过程中奇异值产生的原因,针对目标跟踪的观测量和状态的非线性映射关系,提出了一种基于粒子滤波的奇异值抑制方法。通过向观测向量的协方差矩阵中引入反馈,从而减少观测数据中的奇异值对状态估计的影响。2.针对粒子滤波中采样粒子不稳定的问题,进一步研究了网格滤波。通过引入状态转移的先验条件,将状态空间限制在一定区域内,从而避免采样粒子因偏差较大而导致的跟踪精度下降的问题,同时提出了一种基于多通道网格滤波的奇异值抑制方法。该方法通过对每个观测值引入反馈,减少观测值之间的影响,从而充分利用包含奇异值的观测信息,进一步提高了算法的跟踪性能。最后通过仿真实验验证了上述方法的有效性。3.研究了现有的基于毫米波雷达的目标识别技术以及类别不平衡问题的相关研究,提出了一种基于代价敏感的卷积神经网络（CNN）。该方法通过将类别不平衡的评价指标引入损失函数,指导网络参数的学习,从而使得网络对少数类的误分类更加敏感。同时在不改变数据集的前提下,提高了网络的收敛速度。4.针对卷积神经网络对位置信息不敏感的问题,提出了一种基于混合支持向量机-卷积神经网络（SVM-CNN）分类器的目标识别方法。该方法充分利用了距离-多普勒图中目标典型的物理特征,并通过改进的SVM分类器识别出具有典型特征的车辆样本。一方面可以有效缓解车辆和行人之间的类别不平衡问题,另一方面,充分利用距离-多普勒图中目标的位置信息,从而提高目标分类准确率。之后将剩余样本送入CNN分类器进行再分类。最后通过仿真实验验证了上述方法的有效性。5.基于77GHz毫米波雷达传感器IWR1443搭建试验系统,设计雷达系统的相关参数。同时收集试验数据,并通过实测数据验证了本文所提出的方法的有效性。