随着近几十年飞速发展,我国的汽车保有量急速增加,如何在错综复杂的交通环境中保证行车安全,减少交通事故是值得重点关注的问题,同时车载毫米波雷达工作环境复杂,目标密集且杂波较多。本文针对车载雷达在重杂波情况下,传统雷达航迹关联算法性能下降的问题,提出了基于机器学习航迹关联算法,利用机器学习的信息挖掘和学习能力提升航迹关联算法的性能。首先对传统的雷达航迹起始算法和航迹维持算法进行了研究,并通过仿真实验对这些算法的性能进行了分析比较。之后在航迹质量管理框架下,利用机器学习算法的分类能力,提出基于机器学习的车载雷达航迹起始方法。其基本思想是从海量雷达实验数据中提取有效信息用于雷达量测的分类,降低虚假量测对航迹起始算法性能的影响。然后从机器学习分类器的训练与应用过程入手,详细阐述对雷达实验数据集的预处理和分类器的训练过程。选取目前较为典型的几种机器学习分类器,研究其原理并在模型训练时间、单个量测分类精度、算法应用性能等方面进行实验对比,分析了KNN、决策树、SVM和神经网络模型在雷达航迹起始问题上的适应性。最后针对传统航迹维持算法存在的缺陷,将多帧量测数据的预测状态加权和作为机器学习中模糊聚类算法的聚类中心,根据候选量测对聚类中心的隶属度减少关联假设数量,提升算法在复杂情况下的实时性和稳定性;同时由于提取了多帧量测的信息,因而降低在多目标交叉情况下因一次误连而导致整条航迹错误的情况。仿真实验结果表明,本文提出的基于机器学习的航迹关联算法在复杂环境下有更强的鲁棒性和稳定性。