机动车的普及方便人们的出行,提高生活水平,却也造成大量交通事故。汽车辅助驾驶系统能有效识别车辆特定区域的目标,在可能发生交通事故前预警,降低事故发生概率。其中,环境感知技术在汽车辅助驾驶系统中占重要地位,是汽车行业重点研究领域之一。在实际应用中,单一传感器因工作原理、稳定性等原因,无法鲁棒、全时、全面地探测场景中的目标,而多传感器融合是解决该问题的重要研究方向。本文基于毫米波雷达和视觉传感器设计一套目标识别系统,对前方道路中的汽车、行人等目标进行识别并获取位置、速度等信息。主要研究内容如下:针对车辆运行场景,系统开发周期与实际成本,选择合适的硬件与软件。硬件方面,分析比较各传感器特性、性能与成本,确定传感器类别。根据传感器类别与行业相关资料,选择成熟、稳定的传感器型号,提高系统稳定性与可靠性。软件配置方面,基于算法开发难度、资料丰富程度和调试便捷程度,选择基于Linux系统的ROS框架,使用C++语言开发识别算法。该系统能够满足不同场景、不同时间、不同天气条件下的目标识别要求,成本也控制在合理水平。针对毫米波雷达目标聚类效果不佳的问题,本文提出一种基于DBSCAN算法的自适应聚类算法。首先,通过解析程序采集毫米波雷达发送的点云信号,再根据K近邻距离与雷达反射截面积自适应调整点云聚类半径,使算法能根据点云稀疏程度和反射强度调整聚类参数,提高目标的聚类效果。针对毫米波雷达聚类目标闪烁和视觉目标跳动问题,设计了雷达目标和视觉目标跟踪流程。两传感器目标跟踪时,数据关联采用最近邻方法,跟踪滤波采用交互式多模型算法,但需要根据传感器特性设置跟踪门与跟踪参数。为了充分发挥毫米波雷达与视觉传感器的互补性,本文提出一种特征级与决策级结合的多传感器融合方法。航迹关联与否决定融合方式:已关联航迹使用特征级融合,利用联邦滤波器融合雷达航迹与视觉航迹;未关联航迹使用决策级融合,根据雷达目标置信度与视觉目标高置信度特征,选择合适的未关联航迹作为融合目标。试验测试表明,系统能够准确、稳定地识别前方目标,基本满足辅助驾驶感知需求。