毫米波雷达是交通流检测领域的主要传感器,多目标航迹提取是该领域研究的热点问题,无监督的数据聚类算法是解决该问题的主要技术手段之一。本文针对雷达多径噪声和点云稀疏引起的聚类错误问题,自动目标数估计问题及目标关联跟踪问题,开展的主要研究工作包括:（1）针对毫米波雷达交通目标实际采集数据的时空变化特点,本文分别进行了非序列特征分析和序列特征分析。在非序列特征分析方面,采用最大似然统计分析,给出了有效数据筛选的依据。在序列特征分析方面,采用时序散点图,分析了序列特征随时间或空间变化的特点,为序列特征在后续算法研究中的应用奠定了基础。（2）本文基于实际数据现象,将环境杂波分为非序列性杂波及序列性杂波两类。原生DBSCAN（Density-Based Spatial Clustering of Applications with Noise）聚类算法受限于其原理,对序列性杂波的处理能力受限。针对该问题,本文提出了DB-CCE（DBSCAN-CCE）算法框架。所提算法将连通中心演化（Connected Center Evolution,CCE）算法与DBSCAN算法结合,加入帧序数特征区分目标点迹序列与序列性多径杂波点迹,估计目标数,通过决策图自适应地确定聚类结果。利用三个实际场景的数据对算法进行了验证和分析,结果表明DB-CCE聚类算法能够在多种场景中获得较高的聚类精度。（3）针对GLMB（Generalized Labeled Multi-Bernoulli filter）多目标跟踪算法高维关联假设空间带来的实时性低等问题,本文提出了多序列特征加权最近邻关联滤波（Multi-sequence-feature weighted Nearest Neighbor Data Association,MSFW-NN）算法。DB-CCE算法极大降低了关联假设空间维数,再结合序列特征加权计算关联相似度,使原生最近邻目标关联算法可利用序列特征带来的信息增益。三组实验证明MSFW-NN算法在目标密度适中的场景中比GLMB滤波器实时性更高,且准确率相近。