毫米波雷达因其同时具有较高的距离分辨率与速度分辨率,近些年逐渐走入人们的视野,开始在自动驾驶、智能家居等领域发挥作用。现有的毫米波雷达目标分类方法通过对目标回波进行预处理后获得目标时频图、距离多普勒（Range Doppler,RD）图、切片级点云或其他类型数据后,在不同特征域内提取能够反映目标微动、微距等信息的特征,将特征向量输入到分类器中来完成目标分类。但是,通常情况下目标回波只能反映目标当前时刻的运动状态与自身特性,对时序信息的体现不充分。相对来说,将更长时间的目标回波联合使用能够在一定程度上更加充分地利用目标细节信息与时序信息,更加全面地反映目标整个运动过程的状态与特性,能够增加分类的准确性和鲁棒性。本文针对毫米波雷达回波在人车分类问题中的应用展开研究,开展了如下工作:1、论文第三章对毫米波雷达典型目标的回波进行仿真分析。首先对行人、四轮车、二轮车三类目标搭建运动模型,并根据毫米波雷达基本原理对不同目标运动模型对应的回波进行仿真。之后,利用获得的毫米波雷达仿真数据,通过时频图与RD图对目标特性进行分析,表明利用毫米波雷达的微动与微距特性对上述三类目标进行分类是可行的。最后分析了会引起雷达目标回波变化的因素及其对分类任务产生的影响。2、论文第四章提出一种基于目标RD图的特征提取方法。该方法先基于单帧RD图提取反映目标微动及微距信息的特征,再基于两帧RD图提取反映目标时序信息的特征,最后通过拼接获得最终特征向量。与传统基于单帧RD图的特征提取方法相比,所提特征提取方法利用了目标回波之间的时序信息,能够提取到更加丰富的特征,达到更优的分类效果。通过对实测数据进行的相关实验证明,利用本方法所提特征进行目标分类较传统单帧特征提取方法有一定提升,验证了本方法在基于毫米波雷达回波的目标分类中的有效性。3、为进一步充分利用目标回波中的信息提高整体分类正确率,论文第五章提出一种结合卷积神经网络（Convolutional Neural Network,CNN）与长短时记忆（Long Short-Term Memory,LSTM）网络的毫米波雷达目标分类方法。区别于第四章只利用首尾两帧RD图获取目标的时序信息,该方法首先采用一个CNN分别对每一帧RD图通过卷积操作获得该帧的特征向量,再将各帧RD图的特征向量依次作为LSTM各时间步的输入,并利用最后一个时间步的隐层状态获得对目标的类别预测。CNN能够学习丰富的目标细节信息,避免了手动特征提取方法中对部分信息的损失;LSTM的使用能够充分利用所有帧RD图的细节信息,时序信息的利用也会更加充分。基于实测数据的实验结果表明,该方法较第四章所提特征提取方法分类正确率提升在6%以上,验证了利用CNN进行特征提取和联合使用多帧RD图对时序信息进行充分挖掘利用的有效性。