随着工业传感器,AI技术和5G通信技术的不断发展,智能汽车,无人驾驶等科技得到飞速发展。依据车载传感器采集的数据进行处理和分析来提高无人驾驶的可靠性已成为当下研究的热点。通过人工智能的方法对交通对象进行建模,传感器数据能够被有效的利用,从而挖掘出不同交通对象之间的特征,进而识别出不同的交通对象。将通过传感器采集的数据,利用本研究采用的目标运动模型结合非线性的无迹卡尔曼滤波算法,使得建立的整个系统模型更加接近实际交通场景,提高整个系统对交通对象的预测和跟踪的准确性。本论文设计了一个毫米波雷达传感器采集数据分析和处理的交通对象智能感知和识别系统:在复杂环境下的毫米波雷达回波信号的目标特征提取算法,基于支持向量机算法（Support Vector Machine,SVM）和深度学习长短时神经网络（Long Short-Term Memory,LSTM）的交通对象识别算法和基于无迹卡尔曼滤波器算法（Unscented Kalman Filter,UKF）结合非线性目标运动模型的目标跟踪算法。对于组成整个系统的三种模型和算法,取得的研究成果如下所示:（1）通过2维快速傅里叶算法（2 Dimensions Fast Fourier Transform Algorithm,2DFFT）和恒虚警检测算法（Constant False Alarm Rate,CFAR）对毫米波雷达信号进行研究,用FFT提取目标的特征参数,并用CFAR对可能的雷达杂波干扰进行剔除。仿真结果表明,该算法能够有效的对交通目标雷达回波信号进行所需特征的提取。（2）提出了一种基于SVM和LSTM网络的交通对象识别算法。通过对自主设计的雷达采集实验采集的不同交通对象数据集进行统计学分析,并且设计出一个新型特征变量,即动态雷达截面积,该变量通过统计学分析对不同对象的数据。通过挖掘该提出的新雷达数据特征,本研究建立了不同交通对象处在不同运动状态下的动态特性,从而为识别这些交通对象提供了可靠的依据。引入动态雷达截面积后,优化了之前的交通对象识别算法。仿真结果表明:在支持向量机等多种机器学习算法的验证下,获得了比以往研究更好的目标识别效果。（3）提出了一种基于毫米波雷达的交通目标跟踪算法,通过建立一种非线性的目标运动模型（Constant turn rate and velocity magnitude,CTRV）模拟了交通对象的运动状态,并通过无迹卡尔曼滤波器算法完成了对交通对象的跟踪,利用航迹起始和数据关联算法,实现了雷达传感器视野（Field of View,FOV）中目标与雷达测量数据的分配,为跟踪提供了正确的数据。在简单匀速直线运动和复杂转弯运动场景中,并在实际交通场景采集的目标运动的雷达数据下,验证了整个交通目标跟踪系统的有效性和稳定性。最后,总结了本研究取得的研究成果,并指出了研究中的不足之处,最后展望了后续的研究工作。