毫米波雷达在智能交通、无人驾驶领域中应用广泛,可用于交通路况的感知,路口盲区危险预警以及汽车高级驾驶辅助系统（Advanced Driving Assistance System）ADAS等场景。而多目标跟踪技术作为毫米波雷达的重要组成部分,能够对道路违章、超速车辆进行识别跟踪,加强对道路交通的监控。也可以为ADAS提供精确信息,保障自动驾驶安全。因而,对多目标跟踪技术的研究具有重要的现实意义。本文对毫米波雷达多目标跟踪技术进行深入地研究,具体工作内容如下:首先,研究了雷达量测数据预处理以及航迹起始问题,提出了一种基于改进卡尔曼滤波的野值剔除方法,该方法利用新息协方差矩阵的期望值与预测值的比值来动态地修正量测,调整新息。仿真表明,该方法可有效地抑制野值的影响,降低滤波误差。然后在基于密度的空间聚类算法（Density-Based Spatial Clustering of Applications with Noise）DBSCAN基础上设计了一种N帧雷达数据累积聚类的方法。并在此基础上设计了基于逻辑法和有限状态自动机的航迹起始方法。该方法能够有效汇聚目标点迹,起始航迹,减少约1/3的点迹处理数量。其次,研究了航迹与点迹之间的数据关联问题。在多假设跟踪（Multiple Hypothesis Tracking）MHT算法基础上提出了一种改进的MHT算法。该方法通过对关联矩阵进行简约,缩小了关联矩阵规模,并使用（Jonker-Volgenant Algorithm for Linear Assignment Problem）LAPJV方法来提高关联矩阵最优解求解速度。仿真表明,改进后的MHT在关联矩阵处理速度上比经典MHT提高了约10倍。然后,综合本文内容提出了一种基于单独航迹起始、改进后的MHT与交互多模型（Interacting-Multiple-Model）IMM相结合的多目标跟踪算法（Separate-Track Initiation-IMM-MHT）ST-IMM-MHT。该方法将航迹起始从MHT分离,使用本文设计的航迹起始方法单独处理,然后用改进后的IMM-MHT进行数据关联、状态滤波。仿真表明,在高杂波密度下,相较于经典的IMM-MHT跟踪方法,ST-IMM-MHT能够降低约80%的处理时间。最后,通过不同场景的实验数据对ST-IMM-MHT进行验证。实验结果表明,可以对雷达探测范围内的多个目标进行有效跟踪。