近年来,手势识别技术作为人机交互的典型代表,凭借非接触性、自然性和灵活性,在增强现实、自动驾驶、智能家居等领域都有着非常广阔的应用前景。比较成熟的手势识别技术大多通过视觉传感器和可穿戴设备来采集手势数据。然而,这两种获取信息的手段都存在一定的局限性,视觉传感器容易受到光照条件的影响,可穿戴设备的存在感强,容易造成不好的用户体验。基于雷达的手势识别技术不受光照条件的影响,无需用户佩戴额外的设备,并且具有高空间分辨率、低能耗、易集成的特点。本文围绕微多普勒信号手势识别方法展开研究,主要研究内容如下:（1）针对手势数据的微多普勒特征利用不充分的问题,提出基于多尺度特征融合网络的手势识别方法,该方法通过使用金字塔卷积来增加模型的宽度,增强模型在同一层中提取多尺度特征的能力,通过使用1×1卷积来促进特征通道间的信息交互,通过加入短连接来融合低级视觉特征和高级语义特征,从而显著提升了手势识别效果。（2）针对普通模型体积大、运行速度慢的问题,提出了基于轻量级网络的手势识别方法,该方法通过使用空洞卷积和早期下采样策略来改进MobileNetV2模型,同时引入Hard-Swish激活函数改善模型的收敛速度和收敛稳定性,能在不增加参数量和计算量的前提下扩张模型的感受野,充分利用上下文信息,在不丢过多细节信息的情况下快速缩小特征图的分辨率,大幅减少参数量和计算量,从而兼顾手势识别的精度和速度。在雷达手势实测数据集上的对比实验表明,本文所提方法可以更有效地完成动态手势识别任务,更准确地区分相似程度比较高的手势类别。其中,基于多尺度特征融合网络的手势识别方法的总体准确率高达98.63%,基于轻量级网络的手势识别方法只使用222万左右的参数量和249MB的浮点操作数就可以达到96.51%的总体准确率。同时,本文还在具有不同数据量、噪声等级、短时傅里叶变换窗长、不同方位角度、未知实验对象的数据集上进行了泛化性能分析。实验表明,基于多尺度特征融合网络的手势识别方法和基于轻量级网络的手势识别方法在各种条件下的雷达实测数据集上都有良好的泛化性能。