人体动作识别技术被广泛应用于战场敌军活动甄别、公共场所的安防监控、医院病人以及居家老人的监护等军用和民用领域。而基于雷达微多普勒特性的人体动作识别,一方面相比于计算机视觉识别,雷达技术不受光线强弱影响,可在黑夜以及能见度低的天气环境下进行目标识别;另一方面人体运动的微多普勒谱能提供有效的人体运动状态变化特征,获取更为丰富和细致的人体微动信息。因此,本文围绕雷达微多普勒特性,对人体运动动作展开识别研究,其主要研究内容如下:（1）提出一种基于SOM-LSTM模型的人体动作预分类和运动时间区域分割算法。该方法利用自组织映射网络（Self-Organizing Maps,SOM）来提取人体动作微多普勒谱的时变特征序列,通过构建微多普勒特征序列分片模型,结合长短期记忆（Long Short Term Memory,LSTM）循环神经分类网络,对短时间片的人体动作进行运动形式的预分类,利用预分类结果实现对人体运动的起止时刻定位,分割运动时间区域。该算法利用SOM的竞争聚类特性,提取的同类人体动作特征更具相似性。同时LSTM循环神经网络相比于传统神经网络,能够捕捉人体运动特征序列的关联性,从而提高了识别性能。实测数据实验结果表明,在特征序列分片长度为6个数据点时,人体动作运动预分类准确率达到95%以上,且人体运动区域分割平均相对误差也达到7.81%。（2）针对人体弯曲运动类动作,本文提出一种基于躯干多普勒二维序列DTW（Dynamic Time Warping）距离的人体动作分类算法,该分类算法首先利用人体频率-幅度-时间三维微多普勒谱图提取躯干多普勒频率和幅值的二维时间序列,基于DTW来度量二维序列的距离,通过配合K模板最小邻近分类算法来实现人体动作的分类。由于该方法利用了不同人体动作的躯干多普勒二维序列的时变差异特性,同时利用DTW来进行序列距离度量,克服了人体运动的随机性造成的躯干多普勒二维序列的波动变化。实测数据实验结果表明,该方法比采用统计特征的分类性能更好,其平均分类准确率达到了96.4%。（3）提出一种基于多观测变量HMM（Hidden Markov Model）模型的人体动作分类方法。该方法将提取的人体微多普勒信号上包络频率、下包络频率和躯干多普勒频率作为多个观测变量,通过矢量量化,降低观测变量的状态维数,并构建不同动作类型的HMM模型,最后结合人体动作运动形式信息,实现人体动作分类。由于该HMM模型引入多个微多普勒谱观测变量,因此相比于单观测变量,其模型隐状态变量能够充分描述运动人体身体状况变化特性。实测数据实验结果表明,相比采用深度卷积神经网络（DCNN）、传统统计特征和包络马尔科夫模型的三种分类算法,该方法总体的分类效果最好,平均分类准确率达到98.96%,尤其对于人体弯曲类动作分类性能有了明显的改善。