使用雷达对人类活动进行分类已经在安全、防御和救援行动中有多方面应用。由人体运动引起的多普勒调制可以通过雷达信号来识别特定的人类活动。目前这种调制常被称为“微多普勒”信号。然而针对传统的雷达人体运动识别技术存在数据采集频段单一,时频分析方式单一并未考虑避免极化效应等问题,因此在雷达人体回波中进行多频段的数据采集和对数据进行联合时频分析来避免极化效应就显得尤为重要,针对传统人工提取特征的繁琐性问题,本文采用卷积神经网络(CNN)对雷达回波谱图进行识别与分类,从而进一步提高识别效率与准确率。针对以上问题,本文主要开展的研究工作如下:(1)针对人体活动(弯腰走,爬行,原地踏步,坐着,行走和不摆手臂走)时各部位的运动方式的差异性,采用多散射中心模型对人体进行建模,并分析了人体步态回波模型及步进变频雷达回波特性提取的方法。(2)针对传统的雷达人体回波信号单一频段的采集方式,采用步进变频雷达进行周期性连续扫频来获取多频段数据。由于人体活动引起的雷达回波信号为非平稳信号,采用短时傅里叶变换、Wigner-Ville分布和希尔伯特黄分布三个时频分析方式对雷回波信号进行处理,并转换成时频谱图表达域。(3)针对时频谱图的识别的繁琐性问题,采用了卷积神经网络方式。根据迁移学习的原理,以Inception-v3模型为基础分别搭建了针对单个时频分析和联合时频分析方式的卷积神经网络结构,通过对比单频段和多频段下单个时频分析方式和联合时频分析方式的结果,从而证明了多频段和联合时频分析方式可以有效的避免极化效应,从而提高识别效率与准确率。