在我国汽车市场保持着良好前景和交通事故频发的现状下,ADAS（高级辅助驾驶系统）技术引起广大学者的高度重视与研究。目标感知作为ADAS中最底层也是最核心的技术,为上层的决策功能提供重要的依据。目前市面上主流的车载传感器主要有毫米波雷达与光学相机两大类,毫米波雷达具有全天候、探测距离远、精度高但噪声大、缺乏目标类别信息的特点,同时相机具有价格低廉,能够实时识别目标类别但易受天气条件影响等特性。本文综合考虑两种传感器各自拥有其独特的优势和缺点的情况,提出一种基于毫米波雷达与摄像机信息融合的前方车辆检测算法,能够有效提高车辆检测的准确率和实时性。本文主要研究内容如下:（1）实现了毫米波雷达有效目标确定。在分析毫米波雷达基本特性和工作原理的基础上选择适合本文的实验雷达,对雷达数据进行解析并分析数据噪声特点,针对原始检测结果呈离散化的问题,采用基于密度的聚类算法DBSAN进行处理并得到初始目标,然后使用卡尔曼滤波方式对聚类结果作出最优估计,通过设置阈值排除短暂存在的虚假目标,最终获取有效目标的距离、方位和速度。（2）实现了卷积神经网络检测前方车辆。针对传统视觉目标检测方法准确率低下的问题,采用卷积神经网络框架实现前方车辆检测。在分析SSD网络结构和训练过程的基础上,采用KITTI数据集训练ssd-tensorflow生成模型文件。针对SSD网络结构复杂计算量大的问题,将SSD网络部署在Movidius上,搭建嵌入式深度学习框架,实现实时的前方车辆检测。（3）实现多传感器数据融合。建立毫米波雷达坐标系、世界坐标系、摄像机坐标系,通过分析三者之间的几何关系以及相机标定实现毫米波雷达与视觉数据在空间上的同步;同时采用最小公倍数法解决传感器采样频率不同步的问题,实现数据在时间上的同步;最后搭建基于决策级的数据融合模型,根据雷达数据划定目标初选框,结合SSD检测结果使用IOU指标去验证初选框,输出有效的融合结果。通过实验验证,在视野清晰的道路环境中,本文所提出的方法可有效检测出道路前方车辆的位置和速度信息,且满足实时性的要求,能够为ADAS决策层提供有效的决策依据。