车辆前方障碍物检测技术是先进驾驶辅助系统（ADAS,Advanced Driving Assistant System）和无人驾驶系统的重要研究方向之一。目前常用的毫米波雷达和视觉融合检测的方案使用的都是普通的3D雷达,无法探测出目标的高度信息。这就使目前的道路安全检测方案无法对限高杆、涵洞等目标进行探测。针对当前目标高度信息的探测存在的问题,本文提出一种基于4D雷达和视觉的道路限高探测方案。该方案使用4D雷达探测车辆前方目标的高度信息,采用视觉相机与毫米波雷达进行融合检测的方法,实现对车辆前方目标高度信息的有效检测。从技术层面来讲,本文使用毫米波雷达采集目标的状态信息;然后,基于毫米波雷达探测到的点云信息构建目标感兴趣区域;最后,将雷达、视觉各个部分有效统一,使用视觉检测算法在感兴趣区域中进行目标检测,实现毫米波雷达与视觉的有效融合。本文主要研究内容如下:第一,阐述了毫米波雷达的工作原理,着重阐述了提高毫米波雷达角分辨率的关键技术-MIMO;其次,分析了有效目标初选的规则,将雷达探测到的无效信号删除,减少后续工作的计算量;最后,针对有效目标一致性检验,本文选择容积卡尔曼滤波算法进行有效目标的跟踪。第二,介绍了使用深度学习算法进行视觉识别的分类,对比后选择Faster RCNN作为本文的视觉识别算法;随后,重点研究了Faster R-CNN的工作原理,介绍了Faster R-CNN的网络框架和VGG16网络模型;最后,通过搭建深度学习实验平台,验证本文目标识别算法的可靠性。第三,建立毫米波雷达和视觉传感器的融合模型,利用坐标转换关系完成传感器的空间融合,采用间隔帧采样法实现毫米波雷达和视觉相机的时间融合;并且,在空间融合的过程中,由于摄像机的镜头畸变现象,使用张正友标定法获取摄像机的内、外参数和畸变参数并结合畸变校正公式进行畸变校正;在完成传感器的融合之后,将毫米波雷达探测到的目标投影至图像坐标系上构建感兴趣区域,最后使用视觉检测算法在感兴趣区域内进行目标检测,完成毫米波雷达和视觉融合检测的实验验证。