近年来汽车越来越成为人们生活的一部分。但是汽车使用的增多也带来了一个严重的问题,那就是交通事故。而70%~90%的交通事故是人为因素导致的,其中大部分都是注意力不集中或者反应时间不够。于是,雷达就作为一个重要的辅助工具应用在了汽车驾驶中。而且随着智能交通系统的飞速发展,雷达系统也作为其中必不可少的一部分被应用于汽车自动辅助驾驶系统中。汽车行驶过程中可能会碰到恶劣天气比如雨雪雾霾强光等。这种情况下汽车的摄像头激光雷达等就不能正常工作了。而毫米波(millimeter-waves,MMW)雷达由于其辐射传输特性可以在任何天气下工作,很好的弥补了其他传感器的不足。MMW雷达传感器件的一个显著优势就在于其体积小,重量轻。所以汽车MMW雷达的研究也变得愈来愈受研究者的关注。对于汽车MMW雷达来说,衡量其性能好坏的一个重要指标就是角分辨率。如果角分辨率不够,汽车毫米波雷达可能无法区分远处间隔较近的目标,比如前面的车辆和对面的来车或者前方行人,这对汽车毫米波雷达来说是十分致命的,再加上高角分辨率对于雷达成像十分重要,所以如何提高汽车雷达的角分辨率就成了一个迫切需要解决的问题。要提高雷达的角分辨率,只能采用两种途径:虚拟孔径和超分辨算法。本文综合两种方式,以达到尽可能提高角分辨率的效果。本文首先采用了一种改进型遗传算法(genetic algorithm,GA),通过对多输入多输出(multiple-input multiple-out,MIMO)雷达进行收发联合优化,并将主瓣宽度考虑进去,以达到尽可能抑制峰值旁瓣的同时主瓣宽度仍保持在合适的范围。然后本文介绍了一些经典的超分辨到达角(Direction-Of-Arrival,DOA)估计方法,并提出了一种基于共轭-加权子空间的超分辨算法。仿真表明,该算法在信噪比很低,快拍数极少甚至只有一个的情况下能够得到与基于稀疏恢复/压缩感知DOA估计算法相当的角分辨率,但是计算量却大大减少。文章在MIMO雷达阵列优化的基础上再采用超分辨算法,经仿真验证,这样完全可以满足项目中非理想因素下的角分辨率指标。