随着我国汽车保有量的不断增长,交通效率提升与交通安全事故防范成为了现代交通建设的重要目标。构建以智能感知技术为核心的智能车路系统是解决上述难题的关键手段之一。在智能车路系统的系列感知技术之中,车辆目标检测与多目标跟踪是智能车路系统实现主动安全预警、交通引流等功能的前提和基础,因此,其方法的精度和鲁棒性至关重要。然而在实际路侧监管视角下,车辆目标往往存在目标间遮挡、环境背景遮挡等现实问题。由于遮挡范围、角度及层度均处于动态的变化过程之中,遮挡车辆的检测、跟踪难度较大。为提升现有算法对动态遮挡目标的检测与跟踪能力,本文从视觉与雷达融合的角度出发,分别就静态遮挡目标检测、动态遮挡目标跟踪两类问题进行了深入研究。本文所包含的内容如下:（1）针对通用目标检测算法在遮挡场景下常发的漏检测、误检测及误排除问题,本文分门别类地做出了改进优化。在漏检测上,本文引入了非局部特征融合结构作为遮挡目标的上下文辅助识别信息;在误检测上,本文分别从颜色空间增强、边沿信息增强及增强测试三方面强化了算法对于遮挡目标的区分能力;在误排除上,本文设计了一种中心度辅助判别指标来减少后处理过程的目标误排除次数。相较于通用目标检测算法,本文所设计算法在遮挡场景下的漏检测、误检测及误排除现象分别减少至31.31%、85.49%及22.64%。（2）针对车辆运动过程中的遮挡跟踪问题,本文从多传感器信息融合的角度出发,研究了基于概率分布的多传感滤波跟踪算法。具体而言,本文首先介绍了视觉与雷达时空同步及外参标定算法;其次分别搭建了相应传感源的子滤波器进行独立目标跟踪;在信息融合部分,本文应用联邦卡尔曼滤波器对子滤波器进行融合处理。相较于视觉滤波跟踪方法,本文所设计的多传感跟踪算法在多目标跟踪精度指标上提升约3.21%,多数跟踪目标个数上涨约4.20%,多数丢失目标个数减少约26.19%。（3）针对车辆动态遮挡跟踪精度低、目标匹配鲁棒性不高的问题,本文研究了基于空间融合、时序融合及匹配指标优化的多传感多目标跟踪神经网络。在空间融合方面,本文创新性地从数据层次、交互滤波等两方面对多传感数据进行了交互特征提取;在时序融合上,本文引入了LSTM时序融合结构作为时序信息基础;在匹配指标优化上,本文扩充了个体表观指标与群体分布指标,实现了遮挡目标的全生命周期管理。最终集成的综合跟踪算法在多目标跟踪准确度指标上达到了87.86%,相较于多传感联邦卡尔曼滤波算法,提升约4.45%。