随着智能停车场的研究与应用,一套精确而快速的车位识别技术在智能交通领域发挥着越来越重要的作用。然而,在目前商业化的车位感知系统中,虽然检测方案多种多样,但都还存在着检测准确率不高、抗干扰能力差、判别手段单一、系统复杂等缺点。近年来,越来越多的专家学者开始着力研究改进现有的车位识别技术,但在精度、复杂度等方面仍有提升空间。本文正是基于这样的背景,在对现有的车位识别技术进行深入研究的基础上,提出一种基于超宽带(UWB)脉冲信号的车位感知技术。将UWB技术以及基于多普勒以及微多普勒的特征提取技术引入到车位识别领域,并设计了一套与之匹配的数据采集平台可以方便对停车场车位进行数据采集,使用基于超宽带脉冲技术的UWB雷达获取数据,对获取到的数据进行分析处理经过距离-频率分析、时频分析之后提取多普勒以及微多普勒特征构成特征标签,将获取的特征标签通过深度学习对数据进行模式分类进而对车位以及车位附近的障碍物进行识别。在本文最后部分,通过实际的场景采集数据通过本文提出的算法提取车位特征,然后通过对应的模式分类神经网络进行分类测试,对提出的算法进行验证。