随着生活水平的快速提高和工业技术的高速发展,人机交互技术逐渐成为热门研究领域。手势识别技术作为人机交互的主要方式,自然也受到了研究者们的关注。与传统的手势识别技术相比,基于毫米波雷达的手势识别技术具有不受光线影响、易于携带和便于保护隐私等优点。然而,该技术仍然存在识别目标单一、输入参数信息不足以及识别准确率低等问题。因此,本文从雷达参数估计入手,结合深度学习网络,开展基于深度学习的调频连续波雷达多手势目标检测与识别方法研究。具体研究内容如下:1.构建多手势目标参数图,并对参数图进行干扰抑制。首先,采用二维快速傅里叶变换算法构建距离-多普勒图（Range-Doppler Map,RDM）,并使用汉宁窗、二维恒虚警检测算法和帧差法分别抑制RDM中的频谱泄漏、动态多径干扰信号和静态多径干扰信号。然后,采用幅值检测方法对RDM进行潜在多手势检测,判断回波信号中是否存在多手势目标信号。最后,利用多信号分类算法构建多手势目标的角度-时间图（Angle-Time Map,ATM）,并利用小波变换对ATM进行干扰抑制。2.基于多特征融合时间神经（Multi-Feature Fusion Temporal Neural,MF-FTN）网络的多手势目标组合特征提取与识别。首先,利用三维卷积神经网络（3D Convolutional Neural Network,3D-CNN）和卷积神经网络（Convolutional Neural Network,CNN）分支分别提取RDM和ATM中多手势目标的空间特征,并将得到的空间特征进行融合。然后,利用长短时记忆（Long Short Term Memory,LSTM）网络提取融合特征中多手势目标的时序特征。最后,利用全连接层和softmax分类器实现多手势目标组合识别和分类。3.基于双流3D-CNN特征融合网络的多手势目标分离与识别。首先,利用三维快速傅里叶变换算法构建多手势目标的距离-角度图（Range-Angle Map,RAM）。然后,利用手势目标在时间和空间上连续变化的特性,提出基于时空路径选择的多手势目标分离算法,得到单个手势目标的RDM和RAM。最后,利用3D-CNN替换MF-FTN网络的CNN分支,实现单个手势目标的特征提取和识别。