随着汽车保有量的增加以及交通环境的日渐复杂,汽车带来的交通安全事故问题日益突出,亟待通过驾驶辅助系统以及高级自动驾驶技术等手段,降低交通事故的发生率,提高汽车行驶的安全性和效率。其中,环境感知技术是自动驾驶汽车中的一个关键技术,作为汽车的眼睛时时刻刻识别着车辆周围环境信息,并将识别结果传给汽车的决策规划层做进一步处理。本文以城市高速公路中行驶车辆为研究对象,基于毫米波雷达与深度视觉信息融合算法进行车辆检测与跟踪,主要研究内容如下:（1）基于自适应扩展卡尔曼滤波的毫米波雷达检测与跟踪。首先,分析毫米波雷达的工作原理并进行检测数据的解析,提取出毫米波雷达检测的原始数据。然后,对雷达有效目标进行初选并进行有效性验证。最后,提出一种自适应扩展卡尔曼滤波的多目标跟踪方法,结合联合概率数据关联算法对多目标数据进行关联与航迹管理。研究结果表明:该算法能对车辆目标进行持续有效的跟踪。（2）构建卷积神经网络结构,训练标注数据集进行车辆检测与跟踪。首先,针对传统SSD目标检测算法训练参数过多、训练难以收敛问题,构建SSD+Mobile NetV2卷积神经网络。其次,手动标注车辆数据集标签,构建完备的车辆数据集并输入至卷积神经网络进行训练。最后,提出一种基于视觉图像的多目标跟踪算法。研究结果表明:该算法能够提高视觉检测的稳定性,降低车辆漏检与误检。（3）毫米波雷达与深度视觉信息的融合。首先,对单目相机与毫米波雷达进行空间坐标系与时间坐标系的对准。其次,将雷达检测目标点投影至视觉图像,完成雷达感兴趣区域的生成。最后,提出一种决策级融合策略,输出雷达与视觉检测融合结果。研究结果表明:融合算法具有更好的检测精度。本文基于python语言,采用pycharm编译器与pytorch神经网络框架搭建车辆融合检测算法,并采集高速公路数据对算法进行验证。结果表明,本文提出的算法能够对车辆前方多目标进行有效的检测与跟踪,具有较好的环境适应性与实时性。