在计算机科学和信号处理领域中,手势识别一直都是研究热点。目前较为成熟的手势识别技术都是基于视频图像,但由于视频图像的技术特性,现有的手势识别技术存在着一些限制和缺点。首先,传统基于视频图像的手势识别技术的识别率受光照影响严重;其次,还存在隐私泄露的可能。因此,设计一种新的手势识别系统有着重要的研究意义。本文提出了一种基于毫米波雷达的手势识别系统。相比利用视频图像,该系统结合了雷达设备的优势,解决了传统视频图像技术涉及的光照影响和隐私泄露问题。并且相比红外、激光等雷达,毫米波雷达在测量手势信息方面有着巨大的优势。基于这个设计思路,本课题对基于毫米波雷达的手势识别进行了算法研究,利用毫米波雷达采集手势动作的回波信号,对左挥手、右挥手、左右挥手、前推手、后拉手以及前后推拉手这六种不同手势动作的回波信号进行预处理、特征提取,最终完成手势识别。具体工作如下:算法系统总体框架设计,包括毫米波雷达采样数据预处理模块,特征提取模块以及手势识别分类模块。各模块的具体功能有:利用毫米波雷达设备对目标手势动作进行信息采集,对采样数据进行预处理,去除冗余的数据信息来建立了手势模型;通过最优时频分析法进行了手势特征的提取;使用分类算法对不同的手势动作进行了分类。手势模型建立和特征提取的具体算法实现。手势模型一种基于原始数据建立的数据模型,包含了丰富的相关手势信息。手势动作中变化最直观的是手势与雷达之间的距离、相对速度和角度,因此利用预处理方法从原始数据中提取这三个属性作为手势模型的基础。对于特征提取,选用分数阶傅里叶变换将手势模型从时域映射到分数域来进行特征提取,在分数域中定义了四种特征量。手势识别分类算法的改进与实现。利用支持向量机,验证了分类识别算法可对包含手势信息的毫米波雷达信号进行分类识别,同时为后续实验的特征选择提供参考。提出将适用于多分类的AdaBoost.M1算法与支持向量机结合,提高了分类准确率。改进原有的样本权重更新方法来减少系统训练样本的时间。经过系统实验的整体测试,验证了系统算法的可行性和有效性。