在最近十年内，汽车智能辅助驾驶系统及无人驾驶系统一直被看作解决汽车安全性和交通便利性问题的最佳方案。而利用由各种车载传感器构成的环境感知系统来辅助或者代替驾驶员进行交通环境感知是汽车智能辅助驾驶系统和无人驾驶系统必须要解决的基本问题，也直接决定了系统的工作精度。本文搭建了拥有激光雷达，GPS/INS等多种传感器的智能车平台，基于此平台进行智能车辆前方机动目标运动状态识别算法的研究，解决了目标运动状态估计和目标关联匹配两个重要问题，构建了完整的基于车载雷达的目标跟踪识别系统（包含软件与硬件）。本文建立的目标运动状态估计算法和目标关联匹配算法能够被直接用于基于车载雷达，机器视觉，红外探测器等传感器的目标跟踪识别系统，为智能车辆提供前方障碍物的位置，速度和加速度的实时，可靠的估计。本文主要解决了目标关联匹配、目标运动状态估计、仿真及实车实验平台搭建与算法验证这3个方面的问题：1、要进行障碍物运动状态估计，必须依靠障碍物在连续多帧中的量测信息，但是在雷达量程范围内，通常存在不只一个障碍物，所以需要通过目标关联匹配算法从雷达探测得到的量测值序列中，找到同一个障碍物在每个采样时刻的位置等量测信息，这样才能实现对目标的位置等信息的连续观测。处于实时性的考虑，选择矩形跟踪门进行候选量测选择。然后本文对工程上应用广泛的最邻近法进行了改进，通过加入尺寸量测信息，构造距离和尺寸差异组成的―差异函数‖来进行量测与目标之间的匹配；并且因为随着目标与雷达之间的距离增大，目标尺寸的探测精度将逐渐降低，所以在目标与雷达之间的距离增大的时候，对构成差异函数的位置和尺寸差异的权值和进行适当地调整，以此来使得目标关联匹配的准确度得到提高。2、实际交通环境中车载雷达测得的目标位置信息中含有量测噪声；并且传感器只能直接测量目标相对雷达的距离、方位、速度，而目标的加速度是无法直接测量得到的，所以我们需要设计目标运动状态估计算法，从带有观测噪声的雷达量测信号中来辨识出较为准确的目标位置，速度和加速度。为了在保证系统实时性基础上提高目标运动状态估计精度，抑制发散，本文引入了军事领域中提出的当前统计模型，当前统计模型认为加速度分布规律可以用修正的瑞利分布来表达，该模型更符合目标加速度变化规律。基于当前统计模型建立自适应Kalman滤波，在估计目标运动状态的同时，根据每时刻的加速度估计值来对反映下一时刻加速度变化规律的修正瑞利分布的均值进行实时调整。在目标做变加速运动的时候，较之基于匀速模型和匀加速模型的Kalman滤波算法，运动状态估计精度得到了很大提高；并且本文是在测量车的GPS/INS辅助下计算出目标在惯性坐标系下的位置，对绝对运动状态进行建模和估计，排除测量车运动的干扰，使目标运动状态建模和滤波估计结果更准确。3、仿真与实车实验验证：搭建了基于Matlab/Simulink的仿真实验平台和实车实验平台，进行了匀速，匀加速和变加速工况的仿真和实车验证，结果证明本文引入的基于当前统计模型的自适应Kalman滤波，在三种典型工况下都能够实现目标位置，速度和加速度的准确估计。在目标关联匹配算法中，根据目标与雷达之间的距离变化，对构成差异函数的位置和尺寸差异权值和进行适当调整。使用这个方案，进行了30次实车测试，关联匹配准确性可以达到90%左右。