手势是一种表意直接的信息沟通媒介,因其在人类日常生活中及人机交互领域具有广泛应用,手势识别技术近年来得到了越来越多的关注。基于毫米波雷达的手势识别技术,具有不受光照限制、隐私性好、易部署等诸多优势,可适应智能驾驶、物联网及智能家居等各应用领域,研究基于毫米波雷达的手势识别技术对于拓展人机交互应用场景,构建智能终端具有重要意义。由于手势为柔性物体,且应用距离属雷达近场,使用雷达进行手势识别相较于传统雷达应用领域具有一定特殊性,如何高效准确地提取毫米波雷达手势信号特征,并设计适应于手势识别问题的分类算法,是手势识别技术的研究关键点。本文围绕上述问题,基于线性调频连续波(FMCW)雷达体制开展手势识别算法研究,主要内容包括:1.研究了基于FMCW雷达的手势回波信号杂波抑制等预处理方法。设计包括左挥、下推等八类时变手势,利用77GHz一发四收毫米波雷达构建了样本总量为3200的手势样本库,为后文的特征提取及识别算法研究奠定了基础。2.研究了手势信号的多维度特征提取方法,对回波中各类参数的提取方式进行分析,通过去调频,峰值时频分析及利用多通道回波波达方位估计(DOA)的方法,获取了时变手势的距离、多普勒及角度等多维度信息。3.针对手势多维度特征融合的问题,提出了一种结合注意力机制的卷积神经网络(CNN)多维度特征融合手势识别算法,自注意力特征融合模块的引入将上下文信息加入特征,有助于特征的自动筛选及融合,提升网络识别准确率。4.针对预定义特征步骤较为复杂,且对数据利用不充分,及传统CNN处理方式参数量较大的问题,提出了一种基于长短时记忆(LSTM)架构的端到端手势识别算法,该算法全流程对信号进行一维运算处理,完成从对特征自动提取到类别预测的全部任务,该算法在实现良好识别效果的基础上显著降低算法参数量。以上研究内容的有效性均已通过理论分析和实验进行验证。结果表明,本文提出算法有效完成了高效充分的手势特征提取,及准确的手势识别。