雷达信号中的微多普勒效应使雷达除了具有探测方位、速度及距离的功能之外,还具有识别目标的能力。基于微多普勒特性的人体运动识别在人机交互、自动驾驶、医疗监控、灾害救援等领域具有巨大的应用价值。本文基于雷达仿真数据与实际探测数据,针对单基站雷达系统识别人体运动时存在的行为识别、目标识别、全向识别、单分类与开集识别、识别模型迁移等问题开展了研究,主要的研究内容及创新性工作如下。研究了基于微多普勒特性的人体行为及目标识别问题。在行为识别方面,提出了基于微多普勒特性的卷积神经网络建模方法,实现了对七种不同人体行为的准确识别;提出了基于注意力机制的卷积神经网络模型,在不同信噪比环境下取得了良好的行为识别效果。在目标识别方面,研究了基于微多普勒特性实现目标识别的可行性,提出了基于自适应注意力机制的卷积神经网络模型,实现了多行为、多目标识别。研究了基于微多普勒特性的人体运动全向识别问题。针对分类器在全向识别任务中存在的角度敏感性现象,提出了评估微多普勒全向识别效果的新方法,还设计了一种新型的卷积神经网络模型,有效地解决了基于微多普勒特性的人体运动全向识别问题,并详细讨论了模型设计对全向识别任务的影响。研究了基于微多普勒特性的人体运动单分类及开集识别问题。基于生成对抗网络,提出了一种可同时用于单分类及开集识别的深度学习模型。针对所提模型训练难的问题,提出了一种修正的梯度惩罚策略,并结合早停策略实现了模型的快速收敛。训练后的模型可以较好地完成基于微多普勒特性的人体运动检测和行为的开集识别任务。研究了基于微多普勒特性的人体运动识别模型迁移方法。对仿真和实测数据进行了多特征提取,并通过特征融合构建了跨领域特征空间,在该特征空间内训练了基于仿真数据的人体行为分类器,并利用这个分类器实现了对实测数据中人体行为的有效识别。