随着射频和集成电路技术的快速发展,多通道调频连续波（Frequency Modulated Continuous Wave,FMCW）毫米波（Millimeter Wave,mm Wave）雷达系统得以实现,并因其四维感知能力、高分辨率和高集成性受到广泛关注。FMCW mmWave雷达的常规的数据处理过程是首先通过目标检测和聚类来形成点云,然后再对生成的点云进行模式识别。目前目标检测的主要难点是如何设计算法兼顾漏检概率（Missing Detection Probability,PMS）和虚警概率（False-alarm Probability,PFA）两方面的检测性能,而雷达点云数据的稀疏性、无序性等特点则给点云识别算法研究造成障碍。为此,本文充分发掘FMCW mmWave雷达的工作原理和信号模型,分别对目标检测算法和点云识别算法进行研究,主要研究内容和创新点如下:首先,面向更贴近于实际的目标检测场景,研究杂波干扰场景下距离-多普勒-方位角三维目标检测算法。PMS和PFA是决定目标检测乃至最终识别性能的两大关键指标,然而已有目标检测算法如恒虚警类算法,在设计过程中均未涉及对PMS的调控;此外,杂波干扰下FMCW mm Wave雷达三维目标检测问题从模型到算法尚有待确立。本文在信号模型中考虑了 K分布杂波干扰,设计了一种基于速度唯一性的多通道序贯检测算法 MVMSD（Maximum-velocity-based Multi-channel Sequential Detection）。该算法在统计量构造以及门限设置过程中兼顾PFA和PMS对检测结果的影响,创新性地利用同一距离和方位上目标速度的唯一性,给出三维目标检测方案,并且可很容易地拓展到四维目标感知任务中。实验结果表明,与几个传统以及最新的检测算法相比,通过预设PMS和PFA,在相同信杂比情况下,该算法能够获得更高的检测概率,体现出更好的目标检测性能。然后,研究用于点云识别的深度神经网络分类算法,其中特别面向人体行为识别（Human Activity Recognition,HAR）这一典型的 FMCW mmWave 雷达目标感知任务开展研究。点云数据的呈现稀疏且无序,使用常规神经网络往往因为未充分发掘特定识别任务中点云的分布特性而性能受限。为此,本文特别提出了一种空时特征融合的人工神经网络用于完成HAR任务,该网络包括图构建、深度特征提取、空时特征并行提取以及分类四个连续的模块。首先将点云数据输入图构建模块。然后,基于空洞卷积构造点云深度特征提取模块,该模块起到特征提取过程中降低精度损失、扩大感受野的作用。接着构建图注意力网络（Graph Attention Network,GAT）以及门控循环单元（Gate Recurrent Unit,GRU）分别提取空间特征与时间特征,并行提取空时特征后最终输入分类模块以输出分类结果。在MMActivity数据集上的实验结果表明,本文提出的空时特征融合神经网络的人体行为识别效果优于目前已有算法,其准确度可达到 94.33%。本文针对FMCW mmWave雷达信号处理的关键环节,致力于解决目标检测问题和点云识别问题,分别提出了基于多通道序贯检测的杂波下三维目标检测算法和空时特征融合神经网络点云分类算法。本文的研究结果将进一步助力FMCW mmWave装置落地于实时目标检测识别应用之中。