雷达系统识别人体目标的研究工作已经在多个领域广泛展开,包括国防、医疗以及体育应用。为了识别和分类目标,研究目标的各种运动产生的微多普勒特征是关键。在早期研究阶段,多依赖于应用专业领域知识设计出分类的特征,这限制了算法的可扩展性。因此,考虑使用深度学习方法来克服这种局限性。本文使用毫米波雷达探测运动人体,收集反射回波,运用时频分析方法对数据进行处理,提取微多普勒特征,将深度学习算法直接应用于微多普勒频谱图以达到人体运动动作分类的目标。主要工作与成果如下:1.研究了微多普勒效应及人体运动模型。通过理论分析及仿真得到人体雷达回波,模型仿真结果与实验结果基本一致,为人体探测和微多普勒特征提取提供了理论基础,验证了使用毫米波雷达实现人体运动动作分类的可能性。2.研究了基于调频连续波雷达的人体运动回波信号预处理方法。实验设计了六种常见的人体运动动作,使用77GHz毫米波雷达发射和接收信号,建立了人体运动的微多普勒频谱图样本库。3.针对传统分类方法提取特征过程复杂、数据利用不充分的问题,提出了将深度学习方法用于微多普勒频谱图的分类识别,有助于特征的自动提取,提升了算法的识别率。4.针对卷积神经网络参数数量大、所需训练样本多的问题,提出了将胶囊网络、基于残差结构的深层胶囊网络应用于人体运动动作的分类场景。算法在本文的数据集上性能表现良好,胶囊网络的平均识别率达97.0%,比卷积神经网络提高了1.4%;基于残差结构的深层胶囊网络的平均识别率达98.5%,比胶囊网络提高了1.5%。以上各项工作已通过详细的理论分析,并且经过了仿真测试和实验验证,能够实现人体运动动作的特征提取和分类识别,可用于解决毫米波雷达探测人体目标运动特性的问题。