调频连续波（Frequency Modulation Continuous Wave,FMCW）毫米波雷达具有成本低、检测精度高、全天候、全时段工作等特点,目前广泛应用于民用雷达领域,而雷达目标识别是雷达的一项重要功能,但目前民用FMCW毫米波雷达在识别道路目标时,由于道路环境复杂、干扰过多,导致雷达识别准确率较低,距离雷达目标识别技术能够真正应用于实际道路还有一段距离。因此本文对基于FMCW毫米波雷达目标识别展开研究,主要工作内容如下:1.分析了 FMCW毫米波雷达原理。首先,介绍了波形为锯齿波的FMCW毫米波雷达系统,并以此为基础分析了雷达的中频（Intermediate Frequency,IF）信号。随后,分析了 FMCW毫米波雷达的测距、测速和测角原理,为以后的工作打下了理论基础。2.研究了雷达目标识别的算法。雷达目标识别主要分为机器学习和深度学习两类算法。首先研究了基于机器学习的雷达目标识别,在机器学习中主要研究了 K-最近邻（K-Nearest Neighbor,KNN）分类算法和支持向量机（Support Vector Machine,SVM）分类算法。实验结果显示,在本实验中当K=3且距离测量方式选取曼哈顿距离时,使用KNN算法做雷达目标识别的平均识别准确率最高,约为63.44%,尽管平均识别准确率不高,但其训练和识别速度最快;在本实验中使用SVM算法做雷达目标识别的最高平均识别准确率约为62.38%,且该算法的训练和识别速度最慢。随后研究了基于深度学习的雷达目标识别,在深度学习中主要研究了卷积神经网络（Convolutional Neural Network,CNN）分类算法。实验结果显示,使用两层卷积层和池化层结构的CNN算法做雷达目标识别的平均识别准确率约为66.11%,使用三层卷积层和池化层结构的CNN算法做雷达目标识别的平均识别准确率约为64.26%,CNN算法的训练和识别速度介于KNN算法和SVM算法之间。3.提出了一种改进的CNN分类算法。由于CNN分类算法容易引起内部协变量偏移（Internal Covariate Shift,ICS）问题,所以在CNN算法中加入了批归一化（Batch Normalization,BN）层以抑制ICS问题产生的影响,从而提高平均识别准确率。提出了三种优化方式,针对两种结构的CNN算法做了六组实验,实验结果显示,在本实验中,在两层卷积层和池化层的结构的CNN算法的每层卷积层和ReLU激活函数之间加入一层BN层效果最好,使用该优化算法的平均识别准确率最高且训练和识别速度较快,平均识别准确率为71.23%。就平均识别准确率而言,使用该优化算法较使用机器学习算法提高了约9%,但是在训练和识别速度方面,使用该优化算法较使用KNN算法有所牺牲。平均识别准确率提高的原因在于,相较于其它算法,在CNN算法中加入BN层使得数据在训练和识别过程分布更稳定,从而能够更好的提取目标稳定特征,提高平均识别准确率。