伴随着5G、物联网(Internet of Things,IOT)及人工智能时代的到来,各类虚拟现实(Virtual Reality,VR)应用和新型智能可穿戴设备正在不断涌现。要实现人与设备之间无缝连接,促进人类物理世界与网络信息世界的信息交互与共融,在智能化背景下的人机交互是亟待解决的关键性基础问题。手势是人类最具表现力的自然交互方式之一,基于手势识别的移动式交互系统设计是当前人机交互领域的重要研究方向。微动手势是主要涉及手指运动的手势动作,相比于粗粒度手势,它能够完成更加精细化的交互操作,被广泛应用于可穿戴设备、汽车辅助系统等对交互精度要求更高的应用中,微动手势的识别也成为了当前手势交互领域的关键课题。毫米波雷达具有空间分辨率高、全天候和易集成的优势,因此通过毫米波雷达感知微动手势的运动状态是解决移动式人机交互难题最有前景的方法之一。本文针对毫米波雷达微动手势识别中存在的手势运动参数联合估计、微动手势类目标消除和微动手势特征提取及识别难题,开展了基于毫米波雷达的微动手势识别关键技术研究,具体内容主要包括:(1)微动手势距离‐角度联合超分辨估计算法研究本文在微动手势距离-速度联合估计的基础上,针对距离-角度联合估计问题,研究了集中式多输入多输出(Multiple Input Multiple Output,MIMO)毫米波雷达的多路复用技术,并在此基础上着重研究了微动手势目标距离-到达角联合估计算法。首先,通过二进制相分多路复用对MIMO天线进行虚拟扩展,增大接收阵列孔径,用于提高目标回波到达角估计分辨率。然后,针对传统算法中存在的低信噪比环境下联合参数误差较大、算法时间复杂度高、专用硬件平台成本开销大的问题,本文提出了基于Extrapolation-MUSIC的距离-到达角超分辨联合估计算法,该算法利用自回归模型对时域信号进行外推,在确保距离高分辨率的同时,融合了Extrapolation-FFT算法低时间复杂度和MUSIC算法超分辨角度估计的优点,在实际低信噪比环境下实现了距离-到达角的高分辨测量。此外,通过对不同微动手势动作进行实际测量,本文提出的算法能够精确地估计微动手势在不同时刻的空间参数,最终实现精准的运动轨迹复现。(2)微动手势类目标抑制技术研究本文针对微动手势运动过程中,距离-角度谱中出现的与真实目标在能量、速度及角度信息上极为相似的类目标杂波,开展了微动手势类目标抑制技术研究。首先分析了传统基于杂波能量检测算法在微动手势类目标消除应用中的局限性;在此基础上提出了基于无监督卷积自编码网络实现类目标抑制的方法,该方法利用深度学习技术充分挖掘有限数据集中的真实手势目标与类目标在距离-角度谱上的高维空间位置-能量联合特征信息,结合类目标滤除前后的重构交叉信息熵最小化准则,实现微动手势类目标抑制。最后,通过仿真和实测数据分析,验证了本文所提类目标抑制方法的性能。(3)微动手势特征提取及识别算法研究本文首先针对微动手势特征提取中存在的手势动作幅度小、速度缓慢造成单一运动特征不明显、离散时间点上空间位置差异性小的问题,在对微动手势参数进行特征分析的基础上,将“三域”参数联合估计得到的距离-角度谱和距离-速度谱作为输入数据,设计了一种基于多参数特征融合的微动手势时序-空间联合特征提取算法。在此基础上,针对微动手势识别过程中存在的输入雷达数据序列预分割操作难度大、手势检测和手势分类之间相互耦合的问题,通过构建循环卷积3D神经网络对手势执行过程中的连续输入数据进行全局时序特征分析,并结合连接时序分类算法完成微动手势序列动态时序建模,最终实现微动手势高精度识别。