在目标人体行为识别应用中,超宽带（UWB）雷达具有隐蔽性高、探测能力强和不易受环境因素限制等优点,同时兼具良好的目标隐私信息保护能力,在武装反恐、安保监控和医疗看护等领域发挥出重要作用。当UWB雷达信号穿透墙壁去探测目标行为信号时,周围环境噪声和墙体干扰都将使得UWB雷达无法精准的获取目标人体行为信号。同时目标人体的行为活动是随着时间而变化的,这些因素都会使得穿墙目标人体行为识别的准确性、简洁性、稳健性下降。本文围绕UWB雷达的穿墙目标人体行为识别中存在的上述问题,主要进行了超宽带雷达穿墙探测目标回波信号的数学模型和数据集的构建、超宽带雷达回波信号杂波抑制、穿墙人体行为识别网络的构建及识别性能的分析等相关问题的探究,具体工作内容如下:1、针对UWB雷达穿墙目标探测回波建模问题,首先分析了电磁波在有耗介质中的传播特性,然后对理想超宽带雷达探测信号进行建模,并了解雷达工作时各参数对雷达性能的影响,最后加入墙体的干扰,成功建立了超宽带雷达穿墙探测目标人体的时域数学模型。接着通过实验室设备搭建了现场实验环境,构建了弯腰摸脚尖、跳跃、双臂上下摆动、原地踏步、深蹲、慢跑、开合跳、步行等八种行为的6080组超宽带雷达穿墙人体行为数据集。2、墙体遮蔽环境下的杂波抑制是该领域的主要瓶颈之一。针对传统统计分析方法不能彻底地从雷达回波信号中去除墙体回波和抑制环境噪声的问题,提出了一种改进PCA-MTI融合算法的穿墙目标人体行为回波信号杂波抑制方法。仿真结果与实际数据验证结果显示环境噪声被有效抑制,墙壁干扰也被成功去除,最终获得了较为纯净的墙后目标人体行为回波信号,为后续的穿墙人体行为识别算法的实现提供了良好的数据基础。3、针对经典卷积神经网络与循环神经网络耗时、耗资源以及结构复杂性等问题,提出了基于轻量化多模态神经网络的穿墙人体行为识别方法。该网络在数据输入之前,通过预训练好的深层提取器对TDM图进行特征集成,从而获得多模式特征矩阵作为网络的输入。同时引用了多模态特征块处理单元,不仅可以简化网络结构、减少参数,而且从静态空间与动态时序两种模态下进行行为特征提取,最后针对上述八种行为类型获得了95.89%平均识别精度,不仅提高了行为识别的准确率,还提高了人体行为识别网络结构的简洁性与稳定性。