随着科技的发展,人体动作识别作为智能家居中重要的辅助技术,在安防监控、医疗监护和人机交互等领域中具有重大的研究意义和广阔的应用前景。基于超宽带（UWB）雷达的人体动作识别技术拥有其他识别技术无法比拟的优势,因此本文中对基于UWB雷达的人体动作识别展开研究。为了消除雷达信号中杂波和噪声对人体动作识别的干扰,以及提高小样本数据下动作识别的精度,本文在去除杂波及噪声干扰的基础上,提出一种融合全局与局部特征的UWB雷达人体动作识别算法。首先利用动目标指示（MTI）结合自适应中值滤波对雷达原始回波信号进行预处理;其次对人体动作的雷达时间-距离维特征图像利用主成分分析（PCA）提取主要分量作为全局特征表征,并用二维离散小波变换（2D-DWT）结合奇异值分解（SVD）获取特征图像在不同方向与尺度划分下动作的局部特征表征,并将全局与局部特征进行融合;最后根据融合特征,利用支持向量机（SVM）实现人体动作的识别分类。研究结果表明,本文算法的识别准确率为94.17%,相比动作单一的全局与局部特征,准确度分别提高了2.09%和3.34%,具有良好的识别性能。为了充分发掘UWB雷达信号中的人体动作特征信息,以及提高SVM模型的参数寻优速度和避免寻优陷入局部最优解,本文提出一种基于时频分析的UWB雷达人体动作识别算法。在特征提取阶段,对预处理后的雷达回波信号通过基于信号能量正比加权的时频变换方法,得到人体动作的雷达时频特征图像,然后利用核主成分分析（KPCA）算法提取动作时频特征图像的核主成分作为人体动作的非线性特征表征;在识别分类阶段,利用基于自适应权重和变异的改进粒子群算法（PSO）优化的SVM实现人体动作的识别分类。研究结果表明,本文算法的识别准确率为96.25%,优于所对比算法,有效地提高了人体动作识别的精度。该论文有图29个,表11个,参考文献69篇。