如今毫米波雷达被广泛应用于无人驾驶系统中。随着毫米波雷达技术的发展,车载毫米波雷达的分辨率越来越高,从同一目标处获得的数据量以及目标数据集的数据量也随之增多。同一目标的数据量增多能够让系统更准确地分析目标。但目标数据集数据量的增多会导致无人驾驶系统对目标数量的判断能力受到影响,因此需要利用合适的聚类算法处理车载毫米波雷达的目标数据集来得到正确的目标数量。车载毫米波雷达目标数据集的数据密度不均匀,并且难以在复杂多变的道路环境中提前知道目标数据集的最优聚类结果,因此导致传统的聚类算法应用于车载毫米波雷达时聚类结果与探测场景存在偏差。针对以上问题,本文对车载毫米波雷达的聚类算法进行了研究。本文的主要研究内容如下:（1）归纳了传统的聚类算法及其在车载毫米波雷达应用中存在的问题。分别通过算法推导及仿真实验分析了K-means聚类算法、DBSCAN聚类算法和Chameleon聚类算法应用于车载毫米波雷达时存在的问题。其中K-means聚类算法所需的参数难以在复杂多变的探测环境中确定,而DBSCAN聚类算法和Chameleon聚类算法在目标数据集数据密度不均匀的情况下聚类效果较差。（2）提出了一种基于向量相似度的车载毫米波雷达聚类算法----Vector-Similarity聚类算法。该算法的目的是通过对目标数据聚类来区分距离、速度和角度接近但反射率不同的目标。算法首先在目标数据的距离、速度和角度特征信息的基础上加入频谱幅值作为区分不同目标的特征信息,然后先后利用余弦相似度和杰卡德相似系数两种向量相似度计算方法处理车载毫米波雷达目标数据集,完成聚类。算法实验中从设置的场景中获取目标数据集并对其进行聚类,通过分析聚类结果以及计算内部有效性指标来验证算法的有效性,并分别与K-means聚类算法、DBSCAN聚类算法以及Chameleon聚类算法进行了对比。实验结果和算法性能评估指标对比结果证明了该算法是有效的。（3）提出了一种车载毫米波雷达的椭圆DBSCAN聚类算法----Ellipse-DBSCAN聚类算法。该算法的目的是优化DBSCAN聚类算法应用于车载毫米波雷达聚类的效果。Ellipse-DBSCAN聚类算法将DBSCAN聚类算法中的圆形邻域变成了能够自适应变化的椭圆邻域。算法首先通过目标数据的各项特征信息以及毫米波雷达的角度分辨率自适应计算椭圆邻域短轴参数和椭圆邻域长轴参数,并通过车载毫米波雷达目标数据集密度不均匀的特点分析密度阈值参数的取值。然后结合以上三个参数,按照DBSCAN聚类算法的数据处理方法处理车载毫米波雷达目标数据集,完成聚类。算法实验中从设置的场景中获取目标数据集并对其进行聚类,通过分析聚类结果以及计算内部有效性指标来验证算法的有效性,并分别与K-means聚类算法、DBSCAN聚类算法和Chameleon聚类算法进行了对比。实验结果和算法性能评估指标对比结果证明了该算法是有效的。