在人机交互技术的发展过程中,手势识别技术备受关注。传统基于图像或视频的手势识别方法容易受光照条件、恶劣天气以及遮挡物的干扰,同时还可能存在用户隐私被泄露的风险,这些都使其应用场景大大受限;而雷达信号不受光照以及天气条件影响,能够实现全天候工作,还可避免用户信息泄露。因此,研究基于雷达信号的手势识别技术有着重要的理论意义及应用价值。相比其他波段雷达,77GHz毫米波雷达具有更高的测距、测速及测角精度,可应用于小幅度的手势识别场景。本文基于77GHz毫米波雷达探测打钩、径向挥手、顺时针旋转、逆时针旋转四种手势动作,并利用卷积神经网络进行特征提取、识别,取得了良好的效果。首先,考虑到雷达发射-接收天线的耦合现象,即在距离雷达8cm左右处出现巨大峰值而直接影响后续特征提取过程,本文摆脱从距离域进行截断的常规思路,利用经典模态分解、改进小波阈值分解等方法对其进行处理,并从信噪比、运行时间两方面进行对比,最终选定最佳的去干扰方法将其去除。其次,为尽可能多地利用雷达所能提供的有效信息,本文提出一种基于多元化特征图的特征提取与构建方法,即提取各手势动作的时间-距离谱图、时间-速度谱图以及时间-角度谱图,并对各个单一特征谱图的数据归一化,进而将三者拼接组成多元化特征谱图。另外,为方便后期卷积神经网络的训练,特将各单一特征谱图及多元化特征谱图分别进行灰度化、去均值、尺度归一化等预处理操作,使之转换成能直接作为卷积神经网络输入的图片特征。最后,在分类识别阶段,本文设计了一种面向多元化特征图的卷积神经网络架构。实验仿真中,对三种单一特征图进行网络训练,结果显示三种特征图的识别正确率均达到80%以上,表明了特征图的有效性和准确性;将多元化特征图进行测试,得到其识别正确率高达98%,与单一特征图相比,提高了7%-15%,充分表明了多元化特征图的优势。另从时间复杂度方面与两种经典网络进行对比,表明了本文所设计的卷积神经网络架构在资源占用方面的优势。此外,为分析本文网络性能,还评估了手势尺寸、手势动作的速度对识别正确率的影响,结果也与本文推论相符。