近年来自动驾驶技术快速发展,毫米波雷达因其可穿透雾霾、分辨率高、成本低等优势成为自动驾驶中不可或缺的车载传感器。在算法赋能方面,基于毫米波雷达的多目标跟踪技术在车辆障碍物检测避让、自适应巡航等功能中发挥着重要作用。然而,在近程多目标环境中,雷达跟踪算法受点云形状、杂波数量以及目标的机动性等因素影响,跟踪效果尚不理想。为了进一步提高毫米波雷达在近程场景下的多目标跟踪性能,本文以雷达多目标跟踪算法的流程为主线,进行了以下研究:（1）对雷达点云聚类和航迹起始问题进行研究。首先对点云数据筛选进行论述与实验;其次,针对道路环境中目标量测点近多远少,传统聚类算法难以区分远距离目标与杂波的问题,提出一种基于多帧累积的分段DBSCAN聚类方法,并通过实验证明了改进算法的有效性;最后,通过Monte Carlo仿真实验分析对比了直观法、逻辑法、Hough变换法等常用的航迹起始算法,选择逻辑法作为航迹起始算法。（2）针对道路环境中目标机动性强的特点,对多目标跟踪中的状态滤波与数据关联问题进行研究。首先对状态预测模型展开分析与仿真,对常速度（Constant Velocity,CV）模型与多交互（Interacting Multiple Model,IMM）模型在目标多机动状态下的预测效果进行对比,验证了IMM模型在该场景下的优势;接着对卡尔曼滤波（Kalman Filter,KF）、扩展卡尔曼滤波（Extended Kalman Filter,EKF）以及无迹卡尔曼滤波（Unscented Kalman Filter,UKF）等状态滤波算法进行研究与仿真,对比滤波结果并进行分析,选择EKF作为滤波算法;最后分析了最近邻数据关联（Nearest Neighbor Data Association,NNDA）、概率数据关联（Probabilistic Data Association,PDA）算法并进行仿真,对联合概率数据关联（Joint Probabilistic Data Association,JPDA）算法进行研究,针对JPDA在多目标轨迹交叉场景中计算量增加、轨迹“趋同”等问题,提出一种改进的双门限JPDA算法,并通过对比仿真验证了改进算法的有效性。（3）针对道路场景的特点,结合前文的仿真与改进,提出一种基于多帧聚类的双门限IMM-JPDA-EKF多目标跟踪算法并进行仿真。该算法利用多帧聚类与设置双重跟踪门的方式限制波门内的量测数量以降低计算开销,通过IMM模型预测目标状态,使用EKF进行轨迹更新,提高了对机动目标的跟踪效果。最后,分别在固定场景和实际道路场景中进行实验,验证了改进算法的有效性。