环境感知是高级辅助驾驶系统技术（Advanced Driving Assistance System,ADAS）和无人驾驶技术中关键的一环,而获取更丰富,准确的目标信息是环境感知研究的主要任务。由于单一传感器都有各自的检测优劣势,仅依靠某一传感器难以获得全面的目标信息,而多传感器融合检测技术可以解决这一难题。在众多车载传感器中,毫米波雷达对目标运动信息的检测具有优势性,而摄像头对目标分类和轮廓检测的具有优势性,对毫米波雷达和摄像头进行数据融合,可以让两传感器检测性能的优劣进行互补,从而获得检测目标更加全面和准确的信息,同时还能减少各自单一传感器的误检和漏检情况。因此本文提出一种基于毫米波雷达和摄像头数据融合的前方障碍物检测方法,对车辆行驶的前方道路环境进行障碍物检测,具体内容如下:首先,对毫米波雷达采集的原始数据进行解析及数据可信度筛选,并根据行车安全区域筛选毫米波雷达点云数据,之后对筛选后的毫米波雷达数据进行目标跟踪算法的研究,根据毫米波雷达的检测特性提出了改进的DBSCAN（Density-Based Spatial Clustering of Applications With Noise）聚类算法和大小随目标距离变化的波门,设计了基于近邻域法和卡尔曼滤波算法的毫米波雷达目标跟踪算法,并通过毫米波雷达实车行驶采集的数据对筛选和目标跟踪算法进行有效性验证,完成对毫米波雷达点云数据有效目标信息的跟踪和获取。其次,分析基于深度学习的视觉目标检测方法相对传统视觉目标检测方法的优势性,提出了本文基于YOLOv4（You Only Look Once version 4）深度学习模型的目标检测方法,并对nu Scenes原目标检测训练数据集进行标签数量分布分析,经过本文处理和优化,得到标签数量分布更加合理的训练数据集,并完成了对YOLOv4模型和SSD（Single Shot Multi Box Detector）模型的训练,对比两个模型训练结果和优劣势,并采用实车行驶采集的视频数据进行验证分析,分析结果表明YOLOv4具有更强的目标检测能力和更精准的目标定位,目标提取能力。最后对所采用的单目测距模型进行实际数据验证,得出了该模型在不同距离段下,所估算距离的精确度。然后,设计毫米波雷达和摄像头采集数据的时间同步算法,并完成本文毫米波雷达数据投影到摄像头图像像素坐标的算法,同时为了减少数据融合代码的运算量,针对两传感器的检测范围和性能,设计了目标数据共同检测区域的筛选原则,以上工作为基础提出本文的毫米波雷达和摄像头数据融合目标检测算法,包括检测目标信息匹配算法以及两者信息的输出策略,让车辆获得更完善的前方障碍物信息。最后对本文提出的毫米波雷达和摄像头数据融合目标检测算法进行离线数据验证,证明了融合算法的有效性,相对单一传感器,可以获得前方道路目标更全面和准确的信息,也可以减少单一传感器检测时漏检的情况。