由于受极端天气影响小、分辨率高、测量范围广而准确,且价格适中,毫米波雷达被广泛的运用于机器人行走和自动驾驶领域。本文通过雷达对道路行驶过程中的行人、自行车、电瓶车、汽车进行回波信号原始数据采集,用上位机实现障碍物的定位和检测识别。本文的内容主要包括对障碍物速度、距离、角度的准确测量,障碍物微多普勒融合特征的提取以及通过改进算法对障碍物进行分类识别等。具体内容如下:（1）通过AWR1843BOOST开发板和DCA1000EVM采集卡在搭建的仿真环境中,对障碍物目标的回波信号进行采集,获取原始数据。（2）障碍物的定位问题。通过对采集到的回波信号加窗傅里叶变换提取频域信息,进行恒虚警阈值选定,计算出目标的距离。在二维傅里叶变换中利用相干相位差法进行速度的测定,通过多根接收天线的阵列提取角度信息,最终利用速度、距离的融合信息进行DBSCAN聚类,实现障碍物的定位。将采集到的回波数据进行实验,对比了多组实验结果与真实数据,可得目标的距离、速度、角度的测量误差都在一个极小的范围。（3）微多普勒融合特征的提取。针对短时傅里叶（STFT）特征的窗函数类型难以选择,窗口大小对频谱分辨率影响较大,时间定位不准确等缺点。本文利用连续小波变换（CWT）特征高时间分辨率、高频率分辨率同时存在的特点,将CWT特征作为微多普勒信号的辅助特征,与STFT特征共同组成微多普勒融合特征。同时,在分类识别对比实验中,证明了融合特征的存在优于STFT特征和CWT特征,提高了分类的准确率。（4）通过改进灰狼算法对分类模型的优化。针对传统灰狼算法（GWO）线性收敛,导致算法搜索能力不能进行合理分配的缺点,本文引进了正弦因子改进收敛因子。针对传统灰狼算法迭代位置由前进向量均匀分配,导致忽略个体能力差异的缺点,本文通过权重因子对迭代位置公式进行改进。在测试函数中,两方面的改进使得灰狼改进算法的目标函数值收敛要优于传统算法。同时,研究三种基本分类器（BP、贝叶斯、支持向量机）的原理,基于微多普勒特征在障碍物识别实验中进行基础分类器的横向对比,选取了更为适合分类的支持向量机（SVM）,通过灰狼改进算法对支持向量机进行优化。最终在行人、自行车、电瓶车、汽车分类识别的实验中,得出了通过改进灰狼算法优化的SVM模型能够提高障碍物分类的准确率。