道路交通事故频繁发生,每年都会给社会带来巨大的经济损失和惨重的人员伤亡,因此车辆安全性能的提升迫在眉睫。碰撞预判系统能够在碰撞发生前,通过车辆传感器感知碰撞工况下碰撞角度、碰撞速度等关键参数信息,基于此对将要发生的事故进行判断,从而控制约束系统调整以更好地保护乘员。本文对碰撞预判系统中的危险信息感知、碰撞判断展开研究,主要包括基于多传感器信息融合的车辆识别、车身姿态识别以及碰撞危险评估。本文通过毫米波雷达与机器视觉融合技术,结合HOG-SVM算法、卷积神经网络和Kalman滤波等方法,对目标车辆进行检测和姿态识别,同时对主车和目标车辆行碰撞危险评估,具体内容如下:1、毫米波雷达与机器视觉融合的车辆识别研究。本文结合毫米波雷达和机器视觉技术,对毫米波雷达提取的数据进行有效目标确定,利用机器视觉算法（训练后的HOG-SVM分类器）对根据毫米波雷达数据生成的车辆感兴趣区域进行验证,并结合KCF-KF的目标跟踪算法,获得目标车辆的运动状态,以增加车辆目标的识别准确性。2、车辆姿态识别。本文对识别出的车辆目标,利用卷积神经网络对其进行姿态识别。由于Comp Cars数据集缺少左右细分的车辆姿态标签,首先补充数据集的姿态标签。接着,本文将迁移学习的网络模型VGG19、Inception-v3、Res Net50进行网络更改,并基于VGG19网络设计车辆姿态分类网络VP-Net,将四种网络模型在处理后的Comp Cars数据集上进行训练、评估,对比分析各网络的分类性能和速度,最终得出VP-Net具有网络速度快、分类错误率低等优势,可以很好地将车身姿态分为八个类别,为车辆碰撞工况预测提供基础数据。3、碰撞危险评估。首先,本文基于自车和目标车辆的运动状态进行短时运动预测。针对传感器存在的观测误差会增大运动预测误差的问题,本文综合运用CA运动模型和Kalman估计（预测）算法降低车辆运动轨迹预测误差,同时引入高斯噪声反映了运动的不确定性。接着,基于预测的车辆运动,应用Monte-Carlo方法求解自车和目标车辆的碰撞概率积分公式,求得碰撞概率作为碰撞判断的依据。最后,选取典型的碰撞场景在Pre Scan中联合Matlab/Simulink进行仿真,验证本文算法的有效性。经过数据集测试和仿真验证,本文方法能准确地识别车辆目标并对车辆的姿态进行分类,可有效确定车辆间的碰撞概率,为车辆主被动安全结合的碰撞预判系统提供有效的车外环境信息及碰撞判定的依据。