基于穿墙雷达的人体动作识别在国防安全、灾害救援以及病人监护等领域具有重要的应用价值,已经逐渐成为近几年的研究热点和难点。穿墙环境下的雷达信号会产生衰减和相位畸变,导致人体动作的识别难度较大。本文提出了基于特征增强和卷积神经网络的人体动作识别方法,该方法首先利用自适应阈值滤波和S-method增强墙后人体动作的微多普勒特征,然后采用卷积神经网络（Convolutional Neural Networks,CNN）对步进频率穿墙雷达系统采集的人体动作数据进行精准分类。此外,本文利用时间窗分割和双向长短期记忆网络（Bi-directional Long-Short Term Memory,Bi-LSTM）实现了墙后人体连续动作的识别。本文的主要研究内容和工作如下:（1）总结了人体动作识别的现有方法,并对穿墙雷达人体动作识别的研究进展进行了详细的论述。（2）详细阐述了基于步进频率穿墙雷达系统的人体动作识别基本原理。首先介绍了步进频率穿墙雷达系统的结构、发射信号特性,以及多普勒和微多普勒效应的基本原理,然后介绍了雷达回波数据的预处理算法以及常用的时频分析方法,最后对人体动作识别分类算法的原理进行了介绍。（3）提出了基于特征增强和CNN的穿墙雷达人体动作识别方法,该方法首先通过自适应阈值滤波消除时频图中的噪声,然后利用S-method对处理后的时频图进行能量聚集,增强了时频特征,最后采用CNN进行动作识别。搭建了步进频率穿墙雷达实验系统,并采集墙后6种人体非连续动作数据以及3种人体相似动作数据。实验结果表明,处理后的时频特征得到了有效增强,CNN对非连续动作和相似动作的平均识别准确率分别为98.61%和97.22%,与传统的支持向量机（Support Vector Machine,SVM）和K最近邻值（K-Nearest Neighbor,KNN）方法相比,具有更高的识别准确率。（4）提出了基于时间窗分割和Bi-LSTM网络的人体连续动作识别方法。首先利用小时间窗口将人体连续动作时频图分割为若干帧图像,然后搭建并训练双向LSTM网络,最后对实验采集的5组人体连续动作数据进行识别分类。结果表明,当时间窗长选择10s时,平均识别准确率最高,达到了66.81%。