汽车行驶中驾驶员会存在驾驶盲区,而它正是汽车安全驾驶中的一座壁垒,盲区目标识别可以有效降低驾驶盲区所带来的危险性。本文完成了工程中盲区目标的识别,并在工程识别方法的基础上,将卷积神经网络（Convolutional Neural Network,CNN）和决策树算法相结合,对车载雷达盲区危险目标进行识别。在工程中,对盲区危险目标的识别是通过运用卡尔曼滤波算法处理车载雷达盲区数据,再根据技术人员的工程经验来设定识别的阈值。本文分别建立了在直线运动状态和曲线运动状态中车辆目标的运动模型,分析在不同运动模型中运用卡尔曼滤波算法处理目标数据的方法,结合多次在现场测试中找到的阈值作为目标识别的标准。根据在车辆实际运动中对危险目标的识别效果,分析得出工程中盲区目标识别鲁棒性不强、对经验的依赖性强等问题。为解决以上问题,本文结合CNN和决策树算法,主要对识别的算法进行了以下几个方面的改进:首先,根据车载毫米波雷达获得的盲区目标数据及目标特点,建立适用于本文盲区目标识别的数据集。按照图像数据集的制作方法,制作只包含盲区目标数据的数据集,增强了运用CNN算法处理雷达盲区目标的有效性。然后,通过训练CNN算法危险目标识别模型,使模型能自动识别出危险目标,并输出危险目标的特征数据集。减少了工程识别算法中对某几个固定阈值的依赖,增强各个指标间的关联性。最后,通过决策树算法对CNN输出的特征数据集进行特征决策分类。为使决策分类实现简单、精度高、适用于非线性的大数据量集,本文采用CART决策树生成的随机森林进行决策分类。这样做不用依靠工程经验,在遇到相似情况时也能进行有效的目标识别,提高盲区目标识别的准确性。利用Python构建CNN目标特征识别提取的结构,提出特征目标数据,再利用MATLAB搭建决策树分类架构,分别以不同的数据量对CNN和决策树结合的盲区目标识别方法进行测试仿真,并和卡尔曼滤波算法的识别效果进行比较。结果显示在大数据的情况下,改进后的算法对盲区危险目标的识别率高于工程中使用的卡尔曼滤波算法,能有效完成车载毫米波雷达的盲区危险目标识别。