毫米波雷达是目前用于探测车辆前方目标的距离、速度和角度的主流传感器。由于速度不同所引起的回波信号的多普勒频率不相等,车载毫米波雷达可以利用运动目标回波和杂波速度上的区别将两者区分开来。但是在车载毫米波雷达和前方目标处于相对静止状态的情况下,前方目标的回波中不包含多普勒频率,收集到的回波数据是强烈的地面杂波和目标信号的叠加,雷达则很难从回波数据中识别出目标。为解决车载毫米波雷达相对静止目标识别问题,本文提出一种基于深度学习的方法来识别静止目标,探测雷达前方是否有目标存在且求出前方目标与雷达的距离。本文以77G车载毫米波雷达为研究对象,通过向前方静止目标发射雷达信号然后接收目标反射回波,经混频器处理得到差拍信号,然后对差拍信号做二维FFT（Fast Fourier Transformation）运算,得到雷达前方所有在不同距离段上、拥有不同速度的目标的回波信号强度。最后提取所有速度接近0的目标回波强度信息,利用循环神经网络（Recurrent Neural Network,RNN）和一维卷积神经网络（Convolutional Neural Networks,CNN）来识别静止目标是否存在以及提取目标距离。本文主要的内容如下:1.本文研究的是车载毫米波雷达与目标物体在保持相对静止的情况下目标物体无法被识别的问题,该问题在目前还没有一个有效的解决方案。2.本文阐述了调频连续波（Frequency Modulated Continuous Wave,FMCW）在车载毫米波雷达的运用,介绍了如何从调频连续波的差拍信号中实现目标速度与距离的解耦,提取静止目标在不同距离单元内的回波强度信息。3.本文阐述了人工神经网络的发展历史和基本结构,特别是本文研究用到的卷积神经网络和循环神经网络,并对本文使用到的神经网络结构作了详细说明。4.本文提出基于深度学习的方法来识别车载毫米波雷达静止目标,运用了循环神经网络和一维卷积神经网络,并详细介绍了识别静止目标的方案以及设计实验验证方法的可行性,实验设计包含数据的采集、预处理、特征提取,以及模型的设计、训练和验证。同时对比分析了两种深度学习模型对毫米波雷达静止目标识别效果的表现差异,结果表明两种深度学习模型都有效地识别出静止目标,但卷积神经网络该任务上性能优于循环神经网络。论文最后分析并总结了本文的工作,同时对后续的研究方向和未来的工作进行了展望。