手势识别技术是人与机器自然交流的一种有效方式。在现有的众多识别设备中,雷达因目标探测能力强,对光线、背景等因素变化不敏感,工作能耗小和便于隐私保护等优点受到了越来越多的重视。目前,基于雷达信号的动态手势识别研究主要存在参数信息不足、数据处理量大和识别精度不高等问题。针对以上问题,本课题将雷达信号处理方法和在分类识别方面表现优异的深度学习相结合,研究了基于调频连续波(Frequency Modulated Contiuout Wave,FMCW)雷达的动态手势识别方法,对现有雷达识别方法中存在的不足进行了相应改进。主要工作内容包括:(1)针对目前雷达手势识别方法中手势参数信息不足影响识别准确率和雷达时频图像过大影响识别模型复杂度的问题,提出一种构造多维手势参数向量的方法,通过距离、速度和空间三维傅里叶变换提取手势的距离、速度和方位角参数。在手势方位角参数提取中,结合高阶累积量与傅里叶变换实现角度估计,解决雷达天线过少导致方位角检测不准确的问题;而在手势参数向量构造中,结合目标聚焦与恒虚警目标自动检测算法以提高算法检测性能。手势目标在雷达平面内的X-Y坐标和速度向量组成多参数向量矩阵作为神经网络的输入,用于后续手势识别。该方法能够有效避免手势参数时频图存在的杂波噪声和图片尺寸过大问题,并且结合了速度、距离和角度参数,丰富了手势识别信息。实验结果表明,课题采用的基于多维参数信息的手势识别方法相比于使用速度一维信息或者距离与速度二维信息方法,识别率分别提高了2.05%、1.19%;另外,相较于其他文献中的方法,可以有效地降低神经网络模型复杂度。(2)针对目前雷达手势识别研究中识别率不足的问题,设计了卷积神经网络(Convolutional Neural Networks,CNN)和长短时记忆网络(Long Short Term Memory Network,LSTM)两种用于手势分类的模型,接着结合两种模型的优点,设计了一种CNN与LSTM混合模型。该模型首先通过CNN网络提取手势的短期特征,然后经过LSTM网络对表征特征进行学习,最后对手势进行分类。实验结果表明,相比于CNN和LSTM模型,混合模型的识别精度分别提高了4.02%、1.59%。(3)在上述两个研究基础上,提出了一套完整的利用FMCW雷达信号目标检测能力实现动态手势识别的解决方案,研发了手势控制音乐播放器系统,通过四类手势控制音乐播放器,实现了开始播放音乐、停止播放音乐、切换上一首歌曲和切换下一首歌曲四种功能,验证了本文方案的可行性。