近年来,随着经济发展和科技进步,无人驾驶技术逐渐成为社会的热点话题和相关机构的研究重点。车载毫米波雷达凭借其全天候、全天时等特点,成为无人驾驶汽车的核心传感器之一。但由于受到系统硬件成本约束以及实际道路环境的复杂性,要达到有效探测目标,实现驾驶高级辅助功能,需要设计精确和鲁棒的算法。因此,基于车载毫米波雷达信号和数据处理技术的研究具有重要的理论意义和实践意义。为此,本文进行了以下几方面的研究。（1）研究基于线性调频连续波（LFMCW）的MIMO体制雷达相关的信号处理算法,并对整个处理流程仿真验证。针对MUSIC算法估计角度无法与目标距离、速度匹配的问题,提出一种简单的2D-FFT-MUSIC匹配方法。最后以具备车道级分辨能力的AWR2243级联雷达为基础分析了实际毫米波雷达信号处理流程。（2）针对宽带毫米波雷达能够获取目标点云的特点,开展毫米波雷达点云聚类研究,主要包括K-means算法、AGNES层次聚类算法与DBSCAN密度聚类算法,针对加权欧式距离权重参数较多问题,引入基于核距离的DBSCAN算法,并在求取邻域距离参数Eps时给出一种K-距离图寻找Eps的自动化方法,最后用实测数据验证了该算法的聚类效果。（3）其次,研究了与车载应用相关的目标跟踪理论和方法,主要包括目标关联与滤波跟踪等。分析了最近邻数据关联（NNDA）算法和概率数据关联（PDA）算法原理并仿真对比。研究扩展卡尔曼滤波（EKF）,无损卡尔曼滤波（UKF）算法原理,针对出现异常检测值的情况下,使用对量测噪声协方差矩阵加权的方式实现了异常值检测鲁棒扩展卡尔曼滤波（ROD-EKF）算法和异常值检测鲁棒无损卡尔曼滤波（ROD-UKF）算法,并仿真验证ROD-EKF和ROD-UKF在异常值存在的学生t分布噪声下性能优于EKF、UKF,并且在高斯噪声下性能与EKF、UKF相当。（4）基于车载毫米波雷达信号处理的实时性要求,设计并实现了基于GPU的并行信号处理方法,并行模块包括2D-FFT、非相参积累、2D-CFAR等,最后对其计算准确性以及加速效果进行评估。（5）基于TI公司的AWR2243级联雷达实测数据对上述主要算法验证分析。