感知技术在交通、军事、农业等领域具备极其重要的使用价值,且在低时延、大容量、高速率的情境下,越来越多的应用场景对环境感知提出越来越高的要求。在感知层面中,目标的检测和跟踪具有举足轻重的地位,其相关的技术成果已渗透到人们生活的方方面面。而当探测环境比较复杂时,使用传统的感知手段和方法来完成目标的检测与跟踪从过程上分析比较复杂,且由于目标具有一定的空间结构,以往的处理方法经常忽略目标的多散射点模型,因此,想要在复杂环境中进行准确、可靠的目标检测、跟踪与识别具有挑战性。本文在雷达收发器上采用线性调频连续波（Linear Frequency Modulated Continuous Wave,LFMCW）信号,其可以在每一个单独的雷达上获取与目标间的相对距离、角度和速度。为了将目标与干扰目标区分开,本文应用了微多普勒效应,并结合经验模式分解（Empirical Mode Decomposition,EMD）方法,有效地识别典型目标。此外,为了减轻复杂环境中散射点的影响,本文尝试使用概率数据融合框架适当地“配对”来自多个雷达的观测结果。对“配对”后的结果利用聚类方法进行处理后,在每类数据集中使用最小均方误差估计器可以明显提高目标的定位精度。另一方面,针对扩展目标多散射点模型,本文分析了非线性量测下基于随机矩阵的扩展目标联合跟踪识别算法。对于量测值的非线性特征,本文借鉴扩展卡尔曼滤波的思想将其进行线性化处理,而为了在跟踪的同时能够有效地识别目标,又需要将目标的先验尺寸和形状信息通过伪量测的形式充分地建模到基于随机矩阵的目标跟踪框架中。接着,我们便可以在该框架内同时获得扩展目标状态的概率密度函数以及对象类别的概率质量函数。通过最大似然估计获得目标的朝向后,可以导出估计量和分类概率的闭合形式。本文针对以上两部分研究内容展开,并通过系统建模、理论分析、数学推导及数值仿真验证所提算法的可行性,并利用软件定义雷达平台对算法进行实测验证,为将算法有效应用于实践落地做铺垫。