雷达目标检测与识别技术作为现代雷达系统的关键技术，在海洋监测、空中预警、自动驾驶以及智能楼宇等领域中发挥着重要作用。相比于其他类型雷达，毫米波FMCW(Frequency modulated continuous wave)雷达具有空间分辨率高、抗干扰能力强以及能够在恶劣天气(雨、雾和雪等)稳定工作等优点。因此，研究基于毫米波FMCW雷达的目标检测与识别技术具有重要的现实意义。
　　近年来，随着人们对汽车驾驶安全性需求的不断提高，自动驾驶技术受到了越来越多的关注和研究。作为自动驾驶系统中关键技术之一，基于毫米波FMCW雷达的人-车目标检测与识别技术经过多年发展，已经取得一些研究成果。但是现有的基于毫米波FMCW雷达的人-车目标检测与识别技术仍存在一些短板：检测与识别精度较低、对移动目标的错检率高以及识别精度受目标反射角度的影响大等。本文针对这些问题，对基于毫米波FMCW雷达的目标检测与识别技术展开深入的研究。论文主要的研究内容如下：
　　(1)针对现有的基于毫米波FMCW雷达的目标检测技术的检测准确率低和对移动目标的错误检测率高等问题，提出了一种针对毫米波FMCW雷达点云的自适应DBSCAN(Density-based spatial clustering of applications with noise)算法：首先分析了毫米波FMCW雷达点云的非等距采样间隔特点和移动目标的雷达点云扩散现象对雷达点云聚类的影响；在此基础上，提出了两个新定义的自适应Minpts参数和Eps参数对DBSCAN算法进行优化；进一步，针对优化后的自适应DBSCAN算法调参难度大且耗时长的问题，采用贝叶斯优化算法实现了超参数优化。论文通过实际测试采集的毫米波FMCW雷达点云数据集对自适应DBSCAN算法和传统的DBSCAN算法进行了性能对比评估。结果表明，新提出的自适应DBSCAN算法能够有效提高毫米波FMCW雷达目标检测的准确率和鲁棒性。
　　(2)针对现有的基于毫米波FMCW雷达的目标识别算法性能受目标反射角影响大和识别移动目标的精度低等问题，提出了一种基于毫米波FMCW雷达点云特征的核函数支持向量机(Support vector machines, SVM)识别算法：利用噪声过滤和前述改进的自适应DBSCAN算法对原始的毫米波FMCW雷达点云进行预处理，获得没有类别信息的目标点云；从目标点云的空间分布、速度分布和反射强度信息中提取了一个新定义的十一维点云特征向量，用于描述目标的类别；基于这些点云特征向量，采用核函数SVM分类器实现对目标的识别。本文采集了不同运动状态、角度和距离下的行人和车辆的点云数据对新提出的基于毫米波FMCW雷达点云特征的核函数SVM识别算法进行了性能评估。结果表明：本文提出的基于十一维点云特征向量的目标识别算法比传统的基于八维点云特征向量的目标识别算法具有更高的识别精度。为了对比评估基于同维度点云特征向量时的识别算法性能，针对新定义的点云特征向量采用随机森林方法从十一个点云特征中筛选了八个点云特征组成八维点云特征向量；实验结果表明：基于同维度点云特征向量，本文提出的目标识别算法仍比传统的目标识别算法具有更高的识别精度。