近年来，人类姿态的非接触式穿墙探测与分类技术在公共安全与防护、反恐作战、灾害救援等诸多领域中具有重要的应用价值，因此受到了广泛的研究关注。现有的隐藏人体姿态识别的研究大部分是基于距离像或微多普勒特征单个方面，且对固定时间窗内的人体姿态进行分类研究。这样就存在特征信息提取不充分，且很难区分固定时间内动作不完整或有两种动作发生的问题。因此，本论文采用基于深度学习的方法，针对以上问题展开研究，具体如下：
　　针对穿墙雷达人体姿态整体描述模型的非实时识别应用问题，提出了一种基于SFCW雷达的隐藏人体姿态建模方法。首先构建离散化人体姿态的物理模型，实现隐藏人体姿态局部的特征描述，为隐藏人体非实时姿态识别提供模型基础。然后基于SFCW的雷达体制构建隐藏人体的仿真雷达回波。最后通过IDFT和杂波抑制生成慢时间-距离像，通过STFT生成慢时间-微多普勒谱图，为后续基于深度学习的隐藏人体姿态识别研究提供识别的数据基础。仿真和实测数据处理结果表明，该方法能实现场景内人体姿态的距离像和微多普勒特征的提取。
　　针对隐藏人体姿态识别研究中仅采用距离像很难体现人体关节的位置信息，仅提取微多普勒特征有时会覆盖径向速度不明显特征的问题，提出了一种基于IBResNet的多维参数人体姿态识别方法。首先建立起一种三维张量的特征形式，扩展隐藏人体姿态的特征维度，有效地利用人体姿态的距离像特征和微多普勒特征。然后设计了一种基于改进型瓶颈残差模块构成的神经网络来实现特征提取和特征识别的一体化。最后调整神经网络的训练参数进一步提高识别效率能和精度。实验结果表明，较之于单独采用距离像或微多普勒图，该方法的准确率提高了4%-7%。
　　针对隐藏人体姿态识别研究中普遍建立在人体完整行为的基础上，需要提取出固定时间段的特征谱图进行识别的问题，提出了一种基于2C-LSTM网络的多维参数人体姿态实时识别方法。首先构建人体姿态的慢时间-距离像和慢时间-微多普勒谱图，标记出每个慢时刻的类型标签并且增添空标签表示静止状态，然后采用双通道的全连接神经网络实现多维参数的降维和融合，最后分别经两层的长短记忆单元、一层全连接层以及Softmax分类器完成人体姿态的实时识别。实验结果表明，该网络具备人体姿态类别短时判决的能力，在感知行为开始的前15%信息量后就能准确地识别出姿态类别，且准确率可达93.38%。