手势识别是一种重要的人机交互方式。基于毫米波雷达的手势识别系统具有体积小、成本低、抗弱光、抗干扰和方便隐私保护等突出优点。基于雷达的手势识别可分为孤立手势识别和连续手势识别,目前大多研究的是孤立手势识别。孤立手势识别需要提前进行人工分割对齐,但在实际应用中,人工分割对齐不能满足实际应用的需求。因此,本文基于毫米波雷达,结合雷达信号处理技术和深度学习分类识别技术,对连续手势分割与识别方法进行了研究。首先,对传统表征手势思路进行了调整,既利用指尖的运动信息,也利用手掌以及手臂的运动信息来表征手势,并完成了对应的数据采集实验,以及频谱分析、杂波干扰抑制、数据格式化等预处理工作。其次,进行手势动作的算法分割,根据雷达数据特点,提出了相应手势动作的分割方法,即先用滑动窗口算法对数据流进行预分割,切分成固定帧数的数据单元,然后输入模型预测,并根据模型预测得到的各个标签概率值划分手势动作区域,得到手势相对准确的时域分割。最后,将基于卷积神经网络和循环神经网络模型的方法进行结合搭建混合网络模型,即先利用三维卷积神经网络学习手势的短时间频谱特征,然后利用循环神经网络学习手势数据的长时间序列关联性。在本文的实验条件下,混合网络识别准确率达到97.5%,比传统的利用卷积网络或循环网络方法识别准确率高,性能更稳定,满足了连续手势识别系统对识别准确率的要求。