在计算机视觉领域中,人体动作的识别受到越来越多的人的关注,成为了近些年来工程界和学术界的研究热点之一。在现阶段,大部分的人体动作识别任务通常都是利用光学设备如摄像头等设备所获取的信息作为信息源,在此基础上进行研究。然而,这些光学设备往往都会受制于自然环境等因素,如光照、温度等;同时,设备的不同的视角也会带来一定的干扰,从而给识别任务带来了一定困扰。利用雷达信号则能够较好的避免这些干扰因素,因此雷达信号也逐步进入研究者的视野之中。目前大部分的研究都是基于雷达的微多普勒图像并结合深度学习的方法对人体的动作进行识别,并且取得了一些进展。然而,这样的做法往往只是利用了频域上的信息而忽略了存在于其他域中的信息。针对此类情况,论文使用了双流神经网络来处理这项任务,本文主要的工作内容如下:(1)提出双流卷积神经网络将其运用到雷达领域中进行人体动作识别。该方法实现了将空间域上所包含的信息和频域上的信息相结合,同时利用两类信息来进行人体动作识别任务。双流卷积神经网络利用两个独立的卷积神经网络分别提取频域上的特征信息以及空间域上的特征信息,在此之后将特征合并然后利用一个全连接神经网络进行处理并分类,从而实现了将空间域信息和频域信息相结合并用于分类的目的。实验结果表明,所使用的双流卷积神经网络的识别结果比使用空间域或是频域信息作为输入的单流卷积神经网络的准确率提高了 4.87%。(2)提出基于长短期记忆网络特征融合的双流神经网络将其运用至雷达领域中的人体动作识别。在上面的网络结构中,由于卷积网络自身的特点不能利用到时间域上的信息,并且存在多个全连接层带来较大的计算开销问题,因此在上面的网络结构上进行改进并提出了基于长短期记忆网络(Long Short-Term Memory,LSTM)特征融合的双流神经网络的人体动作识别方法。该网络对比上面所提到的网络结构,将在特征融合处使用长短期记忆网络进行特征融合,从而实现将时域上的一些特征也能够引入识别任务。利用相同的数据集进行对比,可以发现新提出的网络对比上面所提到的网络结构准确率从90.67%提升至 93.99%。(3)提出基于早融合和LSTM融合的双流神经网络并将其运用至雷达领域中的人体动作识别任务。本文将对上面所提出的网络中的特征提取部分进行改进,从而能够引入更多的特征信息。在特征提取的浅层,提前将两类不同域上的信息特征进行融合处理,形成一个新的混合特征图谱,从而引入了更多的特征图。利用新的特征图和两类不同域上的特征图进行更深层次的高级特征提取以及融合并进行分类,从而实现更好的性能。通过和上面的实验进行对比,特征提取部分进行改进后的网络准确率相较于前面所使用的网络的准确率提高了 3%。