我国人口老龄化问题日益凸显,老龄化程度不断加深,医院和养老场所中监测老人动作、避免老人摔倒成为当前亟待解决的问题。毫米波雷达能够有效监测人体的运动状态,且保护隐私。然而单雷达采集到的数据无法全面地对人体位姿进行表征,分布式雷达能够从多个角度对人体信息进行描述。本文依托分布式毫米波雷达探测思路,基于人体行走回波模型对雷达信息进行筛选,构建多种特征数据集,通过卷积神经网络对人体步态、连续动作进行识别。具体开展的工作如下:首先,详细阐述了毫米波雷达的工作原理和三种时频分析原理。其中,为验证论文理论创新点,着重对分布式探测实验进行合理设计、配置,录取回波数据,构建多种特征数据集,为后期卷积神经网络对人体位姿识别奠定基础。然后,构建人体行走的Boulic模型,引入分布式毫米波雷达多角度观测的思想,利用模型中椭球体对人体各部位进行建模、分析,解决运动轨迹与雷达视线夹角变化而导致的雷达散射截面积（Radar Cross Section,RCS）变化影响微多普勒信息表达的实际问题,提高识别准确率;另外,针对分布式系统冗余、较高的计算成本和时间成本,参考互补集成经验模式分解（Complementary Ensemble Empirical Mode Decomposition,CEEMD）方法,基于四肢、躯干能量,提出CEEMD-ES算法（CEEMD-Energy Slice,CEEMD-ES）进行分布式雷达数据筛选,获取雷达信号时频域和熵特征,建立基于Re LU核的极限学习机（Extreme Learning Machine,ELM）模型,验证了CEEMD-ES算法和提取熵特征的可行性。最后,对筛选后的雷达数据,使用Alexnet对比分析多种特征数据集下步态识别的识别准确率、混淆矩阵、精确率、召回率和F1分数,最后选取RGB数据集表征位姿。另外,借鉴滑窗与卷积神经网络的思路,搭建注意力机制SENet和自注意力机制COTNet,对比分析不同网络模型下连续动作识别的识别准确率、混淆矩阵、精确率、召回率和F1分数,对窗长进行寻优。相较于传统的卷积神经网络,本文所用方法识别准确率可提升6%到8%。