在汽车中的无人驾驶应用中,往往使用了多种不同的传感器的联合数据融合信号处理,其中毫米波雷达是一种利用毫米波波段进行主动感知的传感器,也是在无人驾驶设备中抗干扰能力强和成本适宜的传感器之一。相比于光学摄像头、激光雷达等其他传感器,毫米波雷达不受光照、气象环境等条件的限制,其穿透能力强,并具有全天候和全天时工作的特点,可对目标进行跟踪与识别,并且其数据精度高,可根据需求进行模式变换以达到短中长距离的探测与不同分辨率的需求变化。在未来无人驾驶技术应用中,毫米波雷达将成为不可或缺的一部分。本文主要针对线性调频连续波（Frequency Modulated Continuous Wave,FMCW）模式下的毫米波雷达进行研究,并在现有的方法中进行算法改进,本文主要研究的内容如下:1、对于二维恒虚警检测（Two Dimension Constant False Alarm Rate Detector,2DCFAR）框架中测量目标角度精度低的问题,通过将传统的相位测角法替换为基于子空间结构的高分辨测向法,并使用了目标信息匹配机制,在获取二维恒虚警检测结果中的目标凝聚结果以及单元索引所计算的目标物理信息结果情况下,反馈至超分辨算法以及匹配机制中,通过空时域信息联合匹配来提高精度。2、对于FMCW模式下的传统测量距离、速度以及角度的方式与流程进行改进,通过加入稀疏快速傅里叶（Sparse Fast Fourier Transform,SFFT）以替换传统变换方法,通过联合快时间维与慢时间维的信息,将2D-CFAR与SFFT结合,通过频谱压缩在减少计算量的同时也降低噪声信息,提高检测性能。3、在毫米波雷达的目标识别中,对不同目标进行运动建模,联合多帧雷达回波数据,对目标进行微多普勒的特征提取,通过对跟踪目标的多帧数据进行时频分析,通过生成灰度共生矩阵图对FMCW模式下的雷达回波数据进行多帧联合分析,提取不同物体之间因运动模式而产生的差异时频变化特征,将特征放入训练后的神经网络之中,达到识别目标物体的目的。本文在传统算法基础上,通过目标信息匹配机制将超分辨算法与2D-CFAR框架下的比相法联合,提高测角精度;通过基于稀疏傅里叶变换下进行2D-CFAR,减少噪声对目标检测的影响,减少计算量;并在上述基础上对目标进行微多普勒信息分析,通过微多普勒时频纹理结构与长短期记忆网络（Long Short Term Memory,LSTM）框架相联合,达到目标分类的目的。