碰撞预判系统是近些年得到很多关注的汽车安全系统，其作用时间段介于主动安全系统和被动安全系统之间，目的是在判定碰撞不可避免之后在碰撞发生前这段时间内利用一些可逆的安全技术措施，尽可能减小即将发生的碰撞对乘员造成的伤害。作为碰撞预判系统的前端探测部分，本文以雷达和摄像机为传感器，基于图像处理、机器学习以及信息融合的知识，对车辆目标的识别和测量进行相关研究并进行了试验验证。本文以openCV开源图像处理库为基础，开发了一套两阶段车辆图像识别算法。利用车辆底部阴影确定感兴趣区域，再以车辆正前方和尾部图像为目标，使用基于Haar特征的级联分类器进行目标识别。在摄像机小孔成像模型及地面平坦性假设前提下，建立单目视觉测距模型，对目标相对于本车的位置和宽度进行测量。试验结果表明，该图像识别算法具有较高的准确性和实时性，在试验环境下能够达到约90%的目标识别率以及每秒10幅图像以上的处理速度，环境良好时单目视觉测距模型的误差可小于5%。为在物理层面上对系统进行融合，本文把本车的纵向对称平面作为毫米波雷达和摄像机的基准平面，对摄像机和雷达进行了联合标定。在此基础之上，建立了雷达投影坐标系到图像坐标系的转换关系。试验表明，从雷达到图像坐标系的目标对应准确程度较高。为了充分利用两个传感器的信息，本文提出了一种基于雷达和摄像机探测结果的数据融合算法。在所搭建的识别系统中，对系统的测量精度和识别效果进行的试验测试表明，本文所提出的数据融合算法，能够有效增强系统的识别性能，本文搭建的车辆识别系统在一般交通环境下能够正确、迅速地识别出车辆目标。数据分析显示，采用图像联合雷达的探测方法，除了能够获得雷达无法获取的目标的宽度信息外，目标的横向位置探测结果也比单独使用雷达要更加准确和稳定。本文的研究方法和结论为碰撞预判系统前端探测工作打下了良好的基础，为碰撞预判算法提供了有意义的参数，对于道路交通环境感知等相关工作，具有一定的参考价值。