近年来随着汽车数量的急剧增加,提升安全驾驶系数成为了各个国家和汽车制造商日益关注的焦点。得益于全球科学技术和芯片制造能力的提高,目前很多新型安全技术都能在实际中得以应用,其中智能交通系统（Intelligent Transportation System,ITS）是一种解决汽车安全问题的有效途径。ITS通过将信息通信技术和传感器技术整合到交通系统的基础设施和车辆中,大大改善了交通拥堵状况,提高了系统整体的安全性。保障ITS可靠稳定运行的关键是对雷达和通信两个系统进行融合,在系统硬件和频谱资源等方面进行充分利用,从而方便搭载到汽车平台上。鉴于汽车始终处于高速移动的环境中,本文将采用抗多普勒频移的正交时频空（Orthogonal Time Frequency Spcae,OTFS）调制信号作为车载雷达通信一体化信号,并选取车载雷达中常用的毫米波波段作为载波频率。针对基于OTFS调制的车载毫米波雷达通信一体化系统,本文进行了如下的技术研究:（1）针对现有的OTFS车载雷达通信一体化方案中系统结构不清晰、参数设计不明确的问题,设计了一组同时符合雷达和通信系统要求的参数,并且设计了一种简单的帧结构,用来避免雷达回波信号和通信信号之间的互干扰;针对OTFS信号在符号数目较多时峰均功率比（Peak-to-Average Power Ratio,PAPR）较差的问题,提出了一种基于符号预编码的PAPR抑制算法,该算法通过设计合适的约束条件来减少预编码矩阵对通信性能的影响,并利用块坐标下降方法来降低求解最优预编码矩阵时的复杂度。（2）针对现有的时延-多普勒域匹配滤波算法时间复杂度和空间复杂度都较高的问题,提出了基于稀疏贝叶斯学习（Sparse Bayesian Learning,SBL）的低复杂度参数估计算法。该算法首先利用目标参数取值经验范围等先验信息和雷达信道的稀疏结构对雷达目标信号估计模型进行极大地简化,得到稀疏信号估计模型,并在传统的SBL算法的基础上结合二维模式耦合结构和广义近似消息传递（Generalized Approximate Message Passing,GAMP）方法,可显著降低算法的计算复杂度,而且还能获得更高的峰值旁瓣比（Peak-to-Side Lobe Ratio,PSLR）,在多目标场景中有利于减小互干扰。（3）针对现有的消息传递（Message Passing,MP）算法由于非线性解调导致其复杂度高的问题,提出了两种各具优势的低复杂度线性解调算法。其中基于块LDL分解的变换域最小均方误差（Minimum Mean Squared Error,MMSE）估计算法不需要进行迭代计算,在多普勒频移较小时能够明显降低计算量,但是该算法只是简单的线性估计,其误比特率（Bit Error Rate,BER）性能相比MP算法还是较差,而且在多普勒频移较大时需要降低系统的通信速率;而变换域最大比合并（Maximal Ratio Combining,MRC）算法不仅能够利用路径的分集增益来提升符号检测的信噪比（Signal-to-Noise Ratio,SNR）,还能利用有效信道矩阵在变换域中的稀疏结构来降低计算复杂度,其BER性能和复杂度性能都是要优于MP算法。