随着人类社会步入老龄化时代,老年人跌倒的预防和检测变得极其重要。传统的跌倒行为识别技术使用摄像头采集人体图像信息,并通过计算机视觉等技术进行识别,虽然取得了较好的识别效果,但容易受到光照的影响且不能保护个人隐私。基于可穿戴设备的跌倒行为识别,需要用户额外佩戴设备,影响用户体验。而基于毫米波雷达的识别方法具有较强的穿透能力、良好的隐私保护性,不受光照、温度等外界环境的影响,可以全天时全天候地进行工作,近年来已受到国内外学者的广泛关注。本文通过毫米波雷达探测人体运动过程中的速度和距离变化特征,结合支持向量机和卷积神经网络进行人体跌倒行为识别,研究了多角度条件下,跌倒等动作的识别问题。具体的研究内容如下:基于毫米波雷达平台,构建了六种人体姿态的数据集。考虑到室内复杂环境的干扰问题,使用动目标显示、恒虚警检测和数字波束形成技术,对人体回波信号进行预处理,有效的抑制了地物杂波,提高了信噪比。针对常规时频分析方法时频聚焦性差的问题,将同步压缩变换和短时傅里叶变换结合起来,提高了谱图的时频聚焦性。根据跌倒等人体行为的特点,基于时频图提取了人体微多普勒特征参数。由于人体运动的过程中,跌倒行为的距离变化与其它姿态有较大的不同,提出了一种基于目标检测的方法,提取了目标的距离变化特征。最后,利用提取到的特征,通过SVM分类器对人体跌倒行为进行识别,识别准确率为94%。鉴于SVM的分类效果不佳,在将时频图和时间距离图融合为新的二元特征谱图后,利用卷积神经网络进行分类,采用了模型迁移的迁移学习方法,利用Res Net网络完成了人体跌倒行为识别,最终,对未知个体进行跌倒行为识别的准确率达到了99.7%,与只利用时频图进行识别相比,本文的二元特征谱图识别准确率提升了0.77%。