人体行为的感知与理解,是智能人机交互的重要环节,在应急处突、反恐维稳、智能家居等诸多领域具有广泛的应用价值。多样化的任务对行为感知的准确性、实时性、鲁棒性等提出了更加苛刻的要求。一种行之有效的解决方式是引入雷达等非光学探测手段,借助电磁波独特的物理属性以应对无光、遮蔽、非视距等常规意义下的复杂任务环境。在雷达人体行为感知领域,机器学习等统计分析方法与经典信号处理技术不断加速融合,有效地推动了雷达系统的智能化和生物特征识别的多模态发展。其中,深度学习技术作为机器学习的一个分支,它拓展了经典模式识别算法的技术思路,实现了从“原始数据端”到“结果输出端”的映射,力图寻求整体任务的全局最优解。但是,常规深度学习方法具有大数据依赖性和计算复杂性,需满足数据分布特性不随环境改变的前提条件。相关方法若想在具体应用领域获得出色性能,也离不开领域知识的理解与融会。深度学习在超宽带雷达领域的具体研究仍面临许多挑战。鉴于此,本文围绕超宽带雷达人体目标的行为分类和位姿估计问题开展研究,主要工作及创新点如下:针对雷达回波样本集有限的问题,分别提出了基于L1范数的稀疏迁移算法和基于对抗迁移的领域自适应算法。其中,基于L1范数的稀疏迁移算法,根据光学图像与雷达数据的信息差异性,对网络各组成部分进行重要性评估和网络剪枝,有效提升了有限雷达训练集的人体行为识别性能,显著降低了网络模型的大数据集依赖性和计算复杂性。基于对抗迁移的领域自适应算法,能够对不同数据集的特征差异性进行定量化衡量,通过对抗博弈的特征学习,实现了无标注信息条件下的人体行为识别,提高了雷达系统对于不同信噪比和杂波分布环境的泛化能力。针对微动特征的联合表征和识别问题,提出了一种采用三维点云模型的微动表征和识别方法。该方法建立的三维点云模型,充分考虑了单通道超宽带雷达距离分辨力强、获取的目标散射信息丰富等特点,对回波中的距离、速度、时间信息进行了联合表征,对多人场景和强噪声环境具有较好的适应性。针对行为识别问题,设计了具有层次化结构的点云神经网络,并基于该网络设计了常规数据分类、异常数据检测的一体化识别流程,实现了开集框架下的人体行为识别。针对人体位姿的三维估计问题,提出了一种基于径向运动信息的人体姿态估计方法。单通道雷达由于缺乏方位向、高度向分辨力,观测数据损失了人体目标的空间结构信息。我们结合行为分类结果和行走过程的肢体时序运动规律,探索人体一维径向信息与三维空间位置的映射关系,设计了基于空洞卷积的运动姿态估计网络,获得了人体三维姿态估计的初步结果。本文的研究工作采用人体回波仿真数据集和超宽带雷达实测数据进行了性能分析和验证。