随着无人驾驶技术的不断发展,毫米波雷达得到了广泛应用,国内外众多学者也针对应用场景的不断变化,研究并改进了更多相关技术。毫米波雷达的作用是用于对目标的检测并提取目标运动信息,由于实际驾驶环境越来越复杂,外界存在的各种干扰,使得回波信号掺杂的大量杂波和噪声掩盖目标信息,导致雷达无法检测出目标对象。为了保证雷达目标检测的有效性,有必要改进相关检测技术,提高复杂环境下目标检测的准确性。CFAR处理技术是实现雷达目标检测的关键手段,该技术能够克服环境中各种杂波的干扰,提高目标检测概率的同时保持较低的虚警概率。由于参考滑窗内杂波出现的位置和数量存在不确定性,普通CFAR检测算法无法保证检测自适应性,因此本文从分类的角度出发,提出基于改进的最大类间方差的CFAR检测算法。另外,利用CFAR技术检测目标的过程中,由于差拍信号含有的噪声分布于参考单元中,使得门限估计出现偏差,影响检测结果,为此本文进一步提出基于改进的EMD与Kalman滤波的雷达信号联合去噪方法,减小噪声对CFAR检测过程的影响。本文针对77GHz调频连续波(FMCW)雷达,重点研究目标检测相关技术。本文的主要研究工作和创新点如下:(1)介绍了雷达目标检测算法研究的背景以及国内外研究现状,分析了有待解决的问题,对本文研究内容以及章节安排做出来细致规划。(2)对雷达信号处理流程以及目标检测环节的工作做了简要概述。阐述了经验模态分解(EMD)的原理及其噪声去除应用,其次对雷达目标检测原理和指标分别进行了理论分析。(3)提出了一种基于改进的最大类间方差的CFAR检测算法。为了能够自适应地剔除含有干扰目标的单元,有效利用均匀杂波单元信息估计背景噪声功率,提高多目标干扰环境下CFAR检测器的性能,将均方差与一阶差分概念引入类间方差,分析改进的最大类间方差的增量值,由最大增量值处对应的最佳阈值划分出均匀杂波单元与干扰目标单元,并由均匀杂波单元估计背景杂波功率,结合门限因子得到检测门限。通过实验仿真表明:本文提出的检测算法在均匀环境下CFAR损失更小,检测性能较为接近CA-CFAR;在多目标干扰环境下抗干扰能力更为稳定。(4)从减小噪声对CFAR检测性能的影响角度出发,研究了差拍信号去噪方法,提出基于改进的EMD与Kalman滤波的雷达信号联合去噪方法。根据各个IMF分量和含噪差拍信号两者自相关函数之间的相关系数的变化确定模态分界点;由筛选出的低频分量重构初始去噪信号,并利用卡尔曼滤波算法做进一步去噪处理,得到最终重构信号。通过实验仿真表明:本文改进的算法能够更为准确客观找出模态分界点且在不丢失有用信号成分的情况下输出信号信噪比得到较好的改善。最后,将本章提出的去噪方法与本文改进的CFAR检测算法结合,验证去噪前后雷达目标检测性能的变化。