近些年来,科技研究水平和精密制造工艺一直在提高,雷达测量精度也越来越高,成本也在逐渐下降,雷达应用领域从军用场景逐步普及到民用场景中。雷达在动作识别应用领域具有其他传感器无法比拟的特点,基于雷达进行人体动作识别的基础在于肢体的变化会使雷达的回波产生变化,雷达分辨率越高,则回波变化越明显,所以使用高分辨率雷达可以区分不同人体动作的细微区别,达到更好的识别性能。本文采用了无载波超宽带雷达以及近年来工业应用中常用的调频连续波雷达采集人体动作的回波信号,并提取关键特征,使用更智能更准确的机器学习、深度学习算法进行识别,达到了较高的识别准确率。主要研究内容如下:1.分别基于无载波超宽带脉冲雷达与调频连续波雷达搭建硬件平台,分别针对医疗健康监护和人机交互两个应用场景,设计具有实际意义的动作,采用雷达硬件平台采集动作的回波信号并处理生成动作数据库,用来对后续的动作识别模型及算法进行验证。这些动作种类均为对应场景中较典型的动作。2.在动作的回波信号模型基础上,总结雷达人体动作识别的基础理论,以距离-多普勒图为基础,从两个角度处理动作的回波信号,分别介绍微多普勒特征以及时间-距离特征,基于这两种动作回波信号特征理论基础,概括了一种通用的采用雷达的人体动作识别模型。3.利用无载波超宽带雷达的高距离分辨力,提出一种使用距离-时间特征来训练深度学习的动作识别方法。首先针对人体动作的动态特性,提取出人体目标的距离-时间二维特征,弥补了单一距离特征的不足,然后对特征图使用了一种经过优化的卷积神经网络进行学习和分类。在此理论基础之上,采用SIR-20高速探地雷达平台进行动作的回波信号采集,最终在由8种人体动作构成的数据集中得到的平均识别正确率是99.2%,可见所提方法可以准确识别动作。4.提出了基于多特征字典学习以及微多普勒信息的雷达动作识别方法。首先用调频连续波雷达采集人体动作的回波,对信号进行时频分析得到其时频图,再使用两种特征提取方法对时频图降维描述,将两种降维后的数据融合,通过LC-KSVD算法进行多特征字典学习,可以同时得到多特征融合字典和线性分类器,最后根据稀疏系数和线性分类器来识别动作。最终的实验结果表明,所提方法在10种人体动作数据集上达到了97.7%的识别准确率,可见所提方法可以对不同的人体动作进行区分和识别。