身份识别技术在日常生活中有着广泛的应用,电脑解锁、手机支付、系统登陆无时无刻不在验证你的身份。传统的身份识别的方法主要包括指纹识别、人脸识别、密码识别等。指纹识别需要人的手指和传感器有直接接触,存在卫生隐患;人脸识别需要采集每个人的人脸信息,存在隐私泄露隐患;密码识别则需要人记住自己创建的密码而非使用人体自身特征,存在遗忘隐患。本论文提出一系列基于FMCW（Frequency Modulated Continuous Wave,调频连续波）毫米波雷达（Millimeter-Wave Radar,mm Wave Radar）的身份识别技术。通过分析人体雷达回波信号并且使用相应的深度学习分类器来对个体的身份进行识别。这项技术可以实现非接触的、使用人体生物特征的且无隐私泄露风险的身份识别。具体工作包括:1.研究FMCW毫米波雷达理论基础,阐释如何通过FMCW毫米波雷达原始回波信号获得物体的距离、速度、角度等信息。研究雷达目标检测,并对背景减除法和恒虚警（Constant False-Alarm Rate,CFAR）进行对比实验。2.研究并提出了一种基于单次手掌/头部雷达回波信号的身份识别技术,包含目标检测、静止检测、活体检测、数据预处理、模型推理、多chirp联合判决等步骤。提出了PNA（Piecewise Normalization Average）的雷达回波数据预处理方法和基于1D-CNN（One-dimensional Convolutional Neural Network）的深度学习分类算法。同时采集建立了包含21名志愿者共计12万个样本的数据集,算法在该数据集中实现97.3%的平均识别准确率。3.研究并提出一种多特征融合的手势识别技术,使用深度学习卷积神经网络来提取距离多普勒图和距离角度图的特征,同时使用一些手工提取的特征辅助判断。在手势识别的基础上,又提出一种基于自编码单分类器的身份识别方法。手势识别算法在公开数据集和自己采集的数据中均能实现95%以上的识别准确率,手势身份验证可以实现96.7%的识别准确率。