目标检测是实现重点区域监测、城市管理的重要手段,广泛应用于人脸识别、自动驾驶、军事安防等领域。多源传感器信息融合的目标检测技术能够充分发挥各传感器的检测优势,提高目标检测准确性和鲁棒性,其中毫米波雷达与相机传感器凭借成本以及性能优势成为传感器融合的主流趋势。Center Fusion是目前业界主流的雷达与相机信息融合的目标检测算法,能够实现三维目标检测以及目标运动状态预测,但仍存在以下问题:Center Fusion算法通过Center Net目标检测器获取目标的位置与类别信息,当目标被遮挡以及目标尺度过小容易出现漏检现象;通过截锥体的方法实现多源传感器数据关联,在目标密集场景下出现数据绑定错误问题。（1）针对动态场景下目标遮挡干扰和尺度过小问题,结合多层特征融合思想,本文提出基于改进特征提取网络的Center Track++算法。该算法首先使用具有时空关联机制的目标检测器,根据目标在连续帧的空间偏移量预测目标当前时刻位置信息,实现遮挡目标检测。通过对比不同目标检测器在MOT17数据集的表现,选取Center Track++算法实现图像特征提取。然后使用特征金字塔网络对Center Track++算法改进,在主干网络下采样过程中提取不同深度的有效特征层,卷积操作后与特征金字塔网络下采样特征进行融合得到多尺度特征融合结果,提升小目标检测精度。实验结果表明,相较于Center Net算法,其平均检测精度和召回率分别提升5.7%和3.6%,身份切换率下降58.2%。（2）针对目标密集场景下多源传感器数据绑定错误问题,结合目标关联思想,本文提出基于置信度的数据关联算法。该算法首先在（1）算法基础上,获取前一帧同目标雷达信息,然后使用匀速运动模型预测当前帧雷达信息取值范围,最后通过最近邻域关联算法实现当前帧关键雷达点选取,从而有效提升多源传感器数据绑定准确率。为避免传感器测量误差导致真实雷达点被过滤现象,引入卡尔曼滤波算法实现雷达信息修正;提出扩展截锥体方法增大数据关联范围。实验结果表明,相较于Center Fusion算法,该算法在nu Scenes数据集上整体检测分数和平均检测精度分别提升4.3%和3.1%,并且在密集场景下有更好表现效果。在特定目标类型检测中,Truck、Pedestrain、Bicycle三类目标平均精准度分别提升16.8%、6.1%、48.4%。基于提出的目标检测算法,分析智慧安防系统的功能需求,研发雷达与相机结合的智慧哨兵安防系统。该系统实现数据采集、传感器数据关联、目标检测、录像回放、联动报警等功能,验证本文提出的目标检测算法的可行性。