随着车载探测技术的创新变革以及汽车产业的高速发展,汽车已经成为人类出行、货物运输的主要交通工具,车辆管控与安全驾驶的迫切需求对车载传感器的性能与环境适应性提出了更高的要求。毫米波雷达以其高精度、高集成、低成本及其能全天候、全天时工作的特性成为支撑智能辅助甚至自动驾驶的核心车载传感器,复杂环境下车载毫米波雷达的目标检测技术也逐渐成为研究的热点。论文围绕车载毫米波雷达在复杂环境下可靠目标检测的技术难题,开展了车载毫米波雷达目标检测和距离、速度、角度等参数测量技术研究,开展了基于深度学习的目标检测技术研究,进行了传统和深度学习目标检测流程和算法的实验验证,为进一步的车载应用提供了有效的技术支持,论文主要工作如下:本文首先介绍了车载毫米波雷达的系统结构和工作原理,并从雷达方程出发,对车载毫米波雷达的系统体制、工作频点等进行了分析,并以此为基础进行了试验验证平台选型和构建,为进一步的技术研究和实验验证奠定了技术基础。接着,论文研究了线性调频连续波雷达的信号模型,研究距离维FFT、速度维FFT、角度维FFT的信号处理流程和处理模型,研究了目标恒虚警检测方法和算法,并基于实测数据的测试验证,验证了算法性能。最后,论文针对传统信号处理与目标检测方法的模型失配所导致的性能损失问题,开展基于深度学习的目标检测技术研究,训练并构建了基于卷积神经网络的检测模型,经实测数据的测试验证,在特定条件下能解决了传统方法多目标检测的瓶颈问题,实现优于95%的检测概率,为未来车载雷达的智能化发展提供了技术支持。