行为检测识别技术应用场景拓展十分迅速。传统的人体行为识别是由摄像头技术进行数据采集并应用机器学习算法进行训练。但基于图像的识别技术存在许多场景限制,而全天候、抗干扰能力强的毫米波雷达能适应不同应用场景,并且能有效捕捉不同行为的时频信息,因此对于行为识别领域的技术提升有着十分重要的意义。本文针对基于毫米波雷达的人体行为识别,开展了如下五项研究工作:（1）介绍调频连续波（Frequency Modulated Continuous Wave,FMCW）雷达的系统结构,对雷达的测距原理进行了理论推导。针对行为识别中运动目标的获取问题,介绍目标的噪声处理方法及检测原理。针对时频信息获取,介绍短时傅立叶变换原理,设计一种改进的加权时频变换。（2）针对运动目标的检测获取,应用不同类型的恒虚警率（Constant False Alarm Rate,CFAR）检测,对比实验结果,选择较优的检测方法。针对时频信息的干扰问题,结合时域、频域相关的滤波方法,选择效果最优的滤波方式。（3）针对时频信息过弱的问题,设计一种带权重系数的短时傅里叶变换,该方法综合考虑运动目标附近多个距离维的时频信息,通过能量系数作为权重进行时频信息加权求和,通过实验数据分析验证,行为的时频信息得到明显增强。（4）针对行为特征维度过高及无效特征问题,采用主成分分析（Principal Component Analysis,PCA）和特征选择方法分别对数据集处理并对比,其中PCA对于当前行为数据集处理后分辨度更高,能够发现数据之间的隐含特征。（5）针对PCA处理后的7种行为560组数据,构造选择条件并对比不同算法,选择了 K近邻算法与支持向量机,之后对两种分类器进行三种优化。其中引入随机子空间法（Random Subspace Method,RSM）对K近邻算法进行集成,该种分类器性能最好,此时对数据集的总体分类准确率达到最高,为91.4%。