雷达目标运动时,目标本身或者其结构常常伴有微动。所谓微动是指目标除自身平动之外任何微小的振动、转动或者高阶运动。目标微动会对雷达入射波产生一个微多普勒频率调制,这种微多普勒频率调制反映了目标独一无二的精细特性,为目标探测和识别提供了一种重要的手段。近年来,雷达目标微动信号检测、信号分离、参数估计以及特征提取等技术已成为雷达学术界和工程界的研究热点。论文围绕强弱两种微动信号分离和参数估计技术展开研究。研究内容总体上可以分成两部分。第一部分,以人体胸腔微动为例,设计了一种人体探测多普勒雷达,探讨了弱微动目标的信号提取与参数估计方法。第二部分,基于点散射模型和时频分析研究了强微动目标的多分量信号分离和参数估计技术。具体来说,本文的主要工作和贡献主要包括以下内容：1基于谐波模型和频谱分析的弱微动信号分离和振动参数估计(1)设计了一种基于商用部件的2.4GHz连续波人体探测多普勒雷达样机,对典型的弱振动微动目标,人体胸腔振动信号进行研究。实验结果表明采用带通滤波器提取呼吸和心跳信号,然后结合经典功率谱估计技术,该雷达可在近距离1m内正确估计人体的呼吸和心跳频率。(2)针对多个弱振动散射点同时存在时,强散射点信号的谐波分量可能会淹没弱散射点信号的问题,以人体胸腔微动为例,提出两种谐波滤除算法。第一种方法首先估计出呼吸频率,然后自适应产生其高阶谐波信号对消落入心跳信号频带内的谐波。第二种方法基于经验模态分解,将呼吸谐波分量分解在不同的本征模函数中,利用相关法重组心跳信号,滤除呼吸谐波。多普勒雷达实验结果表明,与传统的带通滤波器相比,两种算法都可以有效提取心跳信号,去除呼吸谐波干扰,从而得到准确的心跳频率。(3)针对传统的时频分析缺乏足够高的时频分辨率分析非平稳弱微动信号的问题,将基于经验模态分解的谐波去除方法结合Hilbert变换,提出一种改进的Hilbert-Huang变换。非平稳实测呼吸信号表明,相比传统的短时傅里叶变换,该算法具有明显的高分辨率,从而可以有效刻画呼吸频率的时变特征。(4)基于弱振动信号的谐波信号幅度与振动幅度的关系,提出一种利用基频频域峰值比和谐波频域峰值比的振动幅度估计算法。人体胸腔振动的仿真和多普勒雷达实验表明,该算法在高信噪比下,可以有效提取呼吸和心跳的振动幅度。2基于点散射模型和时频分析的强微动信号分离和参数估计(1)针对强微动信号中多个线性调频(LFM)和正弦调频(SFM)分量在时频域相互叠加的问题,提出了一种基于时频滤波器(TFF)的微多普勒信号分离和提取技术。为了计算TFF的覆盖函数,文章采用Viterbi算法计算各个信号分量的瞬时频率,然后设计了一种基于短时傅里叶变换的线性TFF逐次提取各个分量。仿真实验表明,该算法能够在相对低噪声环境下有效分离微多普勒分量,并且与传统的经验模态分解和小波分解相比,在计算量适中的情况下,具有更高的信号分离精度。(2)针对传统的基于时频分布的Hough变换技术估计微多普勒参数时搜索维数较多,计算复杂的问题,提出了一种基于三次相位函数(CPF)的Hough-CPF (?)方法。该方法能够直接采用1维搜索估计LFM参数,然后利用2维搜索估计SFM参数。仿真实验表明,与传统的Hough-WVD技术相比,该算法在保持几乎相同信噪比性能下,可以有效减小计算复杂度。