在智能驾驶系统中，车辆应具备信息感知、智能决策、自主驾驶等功能，在未来交通、军事、农业等领域具有重要的应用价值。其中车辆对目标进行感知是系统功能实现的基础，通过传感器对周围的行人、车辆等进行有效定位与跟踪，对降低交通事故发生率，提高驾驶舒适度是非常重要的。传统目标感知方法多采用红外、视觉等传感器数据的融合，过程复杂，而且智能驾驶中车辆高速移动，实际场景存在诸多不确定性，导致目标感知精度下降，而且易忽视目标多散射点模型，因此本文基于贝叶斯框架从概率的角度简化融合过程，提出面向智能驾驶的车辆协作感知方法，提高目标定位与跟踪精度，具有重要的价值和应用前景。　　本文针对智能驾驶车辆装备有不同种类的传感器，具有不同类型的观测值，利用一般的数据融合算法过程复杂的缺点，提出一种基于贝叶斯框架的动态非参数置信度传递（DynamicNon-parametricBeliefPropagation，DNBP）算法，将目标与车辆的状态量以概率密度函数（ProbabilityDensityfunction，PDF）的形式表示，能有效简化数据融合过程，并且证明由于DNBP的特性，使得对目标和车辆状态PDF的估计能够有效适应于非线性、非高斯场景。　　针对智能驾驶场景中由于遮挡和盲区的存在导致定位精度降低的问题，本文在上述方法的基础上提出了多车协作（Multi-vehicleCooperation）算法，通过增加其他车辆关于目标的先验知识来增强目标感知精度。更进一步，根据不同车辆不确定度的不同，提出加权的车辆协作调度策略，其感知精度明显强于等增益的多车协作方法，以进一步满足智能驾驶高精度的要求。　　另一方面，针对扩展目标多散射点模型，实际存在的轮廓导致各个散射中心可以引起不同的观测值，被感知者通常被认为是点目标的假设不再有效，因此本文分析了基于随机矩阵的扩展目标感知算法，利用贝叶斯估计理论估计了扩展目标的运动状态，并有效估计出目标的轮廓特征，将其有效应用于车辆跟踪场景。　　本文将针对以上研究内容进行展开，并通过实验仿真验证所得结论的可行性，为将算法有效应用于实际提供理论支撑，有利于后续通过引入其他热门技术来进一步提高点目标感知精度，以及有助于对实际情况下机动扩展目标进行深入研究。