在现有智能车辆目标跟踪算法中,数据关联和状态估计是两个难点。一方面,数据关联过程只考虑目标位置、速度等运动参量,在复杂环境下容易发生错误关联;另一方面,传统状态估计方法中的点目标滤波模型无法完整描述目标运动过程。因此,研究稳定性良好且能适应实际环境的智能车辆目标跟踪方法具有理论意义和实际价值。针对数据关联问题,本文从提高运动目标识别准确率出发,首先建立智能车辆局部栅格地图,并对栅格地图进行闭运算处理,以便更准确的进行栅格聚类和提取目标矩形轮廓;然后利用激光雷达原始数据进行道路边沿检测,限定道路可通行区域;接着基于目标形状特征、运动特征和道路可通行区域三种约束条件识别运动目标,剔除静止目标,以此降低运动目标误检率;最后,基于最优分配原理,将目标特征信息引入量测与轨迹关联过程,以此改善数据关联结果并提高算法实时性。为完善目标滤波模型,本文考虑目标运动过程中的特征信息变化,提出点目标和扩展目标混合跟踪方法。该方法首先根据目标扩展特征大小以及目标距离将运动目标分类为点目标和扩展目标;接着建立相应状态空间模型分别描述不同类型目标;然后基于Kalman滤波框架建立点目标和扩展目标混合跟踪滤波器,在同一时刻实现点目标和扩展目标混合跟踪,在不同时刻实现同一目标自适应跟踪模型切换。本文首先通过仿真场景对比实验验证了目标跟踪方法的有效性;然后设计并开发了智能车辆目标跟踪系统,该系统将各功能模块进行封装,以UI形式进行交互显示;最后在实际道路场景下对系统软件进行实车实验,实验结果表明所开发系统软件实时性和稳定性良好,同时也进一步验证了本文方法在实际环境下的有效性与稳定性。