雷达感知技术应用于城市道路场景,为城市智慧交通、自动驾驶和车路协同等场景提供全天时、全天候的道路感知信息。目标检测技术则是雷达感知技术的重要基础能力,其研究价值不言而喻。近些年来,随着城市化的不断发展,城市道路场景的复杂性与多样性日益增加,面对复杂城市交通场景,传统雷达目标检测方法存在精度低、速度慢、灵活性差等缺点,难以满足实际应用的需求。因此,发展适用于城市交通场景的雷达稳健、实时目标检测技术迫在眉睫。本文以提升雷达交通场景目标检测的稳健性与实时性为目标,主要研究了雷达交通场景目标检测方法,包括CFAR后聚类扩展目标检测算法、基于区域建议的深度学习目标检测算法和基于直接回归的深度学习目标检测算法等内容,具体研究内容如下:1)针对交通场景基站感知雷达目标检测问题,介绍了脉冲雷达回波信号处理方法与流程,阐述了基于R-D数据平面的恒虚警检测算法原理,提出了基于CFAR后聚类目标检测算法,解决了交通场景扩展目标的检测问题;在实测数据集下,验证了所提出算法的检测性能,分析了算法在检测精度上存在问题。2)针对雷达交通场景R-D图像存在的目标特征信息少、目标多为变尺度弱目标等问题,提出了基于注意力机制和金字塔特征融合改进的区域建议深度学习目标检测算法模型,提高了雷达交通场景目标检测的精度,并通过实测数据验证了所提出改进方法的检测精度。3)针对雷达交通场景实时目标检测问题,提出了基于注意力机制和解耦头无锚框检测模型的YOLOv3算法模型优化方法,实现了雷达交通场景实时、稳健的目标检测,并通过实测数据验证了改进后算法的检测精度与速度的提升。