自动驾驶是汽车行业发展的趋势之一,近年来,该领域不断有所突破,甚至部分厂商已经有成品出现。毫米波雷达在汽车中主要用于高级驾驶辅助系统（ADAS,Advanced Driving Assistance Syatem）,和激光雷达、摄像头等其他传感器一起为汽车提供周围环境信息。毫米波雷达与其他传感器相比具有全天时、全天候、低成本等优点。由于传统雷达精度与其他传感器相比较低,因此车载雷达其主要功能仍是实现目标的检测,并对目标进行后续的跟踪。但随着半导体及其他相关技术的发展,车载毫米波雷达将拥有更高的分辨率,将获取目标更多的信息。因此本文主要研究车载毫米波雷达目标识别相关技术,弥补其他传感器在恶劣天气和气候下目标识别性能低下的缺点。本文基于车载毫米波雷达所形成的点云,实现毫米波雷达目标识别功能,主要对车载毫米波雷达信号处理流程中的目标方位估计、雷达点云的聚类及分类器的设计等关键技术进行研究,下面对其主要研究内容进行介绍:（1）研究了毫米波雷达数据处理相关算法,并对其中的方位估计算法进行详细研究。首先对方位估计算法的原理进行简要解释,接着仿真比较几种算法在单次快拍条件下的性能,最后使用毫米波雷达实际采集数据进行验证。另外对单次快拍条件下信号源个数估计相关算法进行研究,由此可实现多目标情况下的方位估计,为获取毫米波雷达点云打下基础。（2）研究了毫米波雷达点云特点,并基于毫米波雷达点云的特点选取合适的点云聚类算法。首先对常见毫米波雷达常见目标点云的特点进行分析,并根据点云特点,选取合适的聚类算法,之后对DBSCAN聚类算法进行改进,提出了一种适用于雷达点云的聚类算法。并对OPTICS算法进行研究,从更宏观的角度解释了基于密度聚类算法参数选择问题。（3）对使用毫米波雷达所形成的目标点云的识别相关算法进行研究。首先对毫米波雷达点云进行分析并从中提取能够反映目标尺寸、速度的特征,之后使用神经网络和支持向量机的方法设计分类器,根据提取的特征实现对不同目标点云的分类,最后使用能够自动提取特征的卷积神经网络直接对所得点云进行分类,并比较不同算法的性能。