我国汽车保有量的急剧增长引发了停车难、交通拥堵等一系列问题,智能交通系统（Intelligent Traffic Systems,ITS）是解决这些问题的有效途径。而实时交通检测算法则是智能交通系统有效运行的基础。相比传统的交通检测算法,基于新型脉冲相干雷达的交通检测算法在抗干扰,功耗和成本等方面具有独特优势,但是目前基于该雷达的交通检测算法研究还比较少,并且存在以下问题:1)传统的静态交通算法对干扰因素考虑不足,当脉冲相干雷达被雨水、湿树叶等覆盖干扰时,已有算法检测精度低;2)基于脉冲相干雷达的车辆分类问题还鲜有研究,不同车型的雷达原始信号数据量大且特点不够显著,如何压缩数据并提取有效的特征,实现较高精度的车辆分类是一个难点问题。本文根据脉冲相干雷达的信号特点,分别进行了基于脉冲相干雷达的静态和动态交通检测算法研究。主要研究内容和贡献如下:1)提出一种基于脉冲相干雷达的抗干扰停车检测算法。雷达节点被雨水、湿树叶等覆盖时,信号失真严重,干扰场景下进行高精度静态交通检测（停车检测）是一个难题。本文将干扰因素纳入停车检测任务中,将停车检测问题建模为分类问题;为了有效区分干扰场景下的雷达信号,我们根据脉冲相干雷达的信号特点,设计了四个扩展特征用于辅助分类;提出了一个轻量的分类模型实现抗干扰的停车检测,并采用粒子群优化算法训练该分类模型。实验结果表明在无干扰情况下,算法准确率为99.9%;在水和湿树叶等干扰情况下,准确率为91%。相比已有算法,该算法不仅提高了干扰场景下停车检测的精度,而且还可以检测出雷达是否受到水或湿树叶的干扰。2)提出一种基于脉冲相干雷达的道路车辆检测和分类算法。首先使用动态阈值和数学形态学方法实现了道路车辆检测。然后截取车辆经过传感器节点时的雷达信号用于车型分类。针对不同车辆的雷达信号数据量大且特点不够显著的问题,设计了一种特征提取算法ST（Select Twice）,该算法可以有效地从雷达信号中提取出“峰值”特征,降低数据量。然后根据“峰值”特征计算“底盘高度”特征,将这两种特征组成特征向量。最后,使用具有车型标签的特征向量集训练随机森林模型,训练完毕的模型根据特征向量计算出车辆类型,包括:轿车、SUV、公共汽车和中型卡车。实验表明,本文的算法在四种车型上的平均准确率为94.84%。相比基于地磁传感器的车型分类算法VCMS,该算法具有更快的速度,并且在磁干扰场景下具有更高的精度。3)采集并发布了基于脉冲相干雷达的交通检测数据集,包括:a)静态交通数据集,在停车位中央部署传感器节点,采集并标注了脉冲相干雷达在无干扰、水和湿树叶干扰场景下的停车检测数据;b)动态交通数据集,在多条道路中央部署传感器节点,采集并标注了轿车、SUV、公共汽车、中型卡车四种车型的雷达数据。数据已发布在https://github.com/zhangxiancai/vehicle＿classification。