目的：人体运动微多普勒信号中包含着丰富的信息，对其进行深入分析可以有效地识别出人体目标所处的状态，例如人体行为，身份信息等。对人体微多普勒信号识别的研究，能够为人机交互、智能监控等应用提供重要的技术支撑，在未来军用、民用等多种环境下具有极大的应用前景。

方法：深度学习技术在近年来逐渐被应用于雷达各类任务中，其强大的学习能力使得基于深度学习技术的雷达目标识别在各类场景中大放异彩。本项目基于深度学习技术，对雷达人体微多普勒信号中由运动产生的语义信息进行了提取，并分别从人体行为识别和基于人体运动生物特征的身份识别任务上检验了所提出模型的效果。在动作识别任务上，分别针对仿真—实测识别模型迁移、全向人体动作识别、开集人体动作识别三个难点问题进行了研究，在身份识别任务上，分别在小样本身份识别、联合身份与行为的多任务识别、身份认证三个难点问题上进行了研究。

结果：根据任务目标，分别针对行为识别和身份识别两个子任务提出了相应的深度学习方法，由超宽带雷达采集了人体行为数据集，将所提方法在采集的数据集上进行了验证。在行为识别上，实现了基于仿真数据的实测行为识别、人体全向运动时的行为识别、未知行为的开集识别等；在身份识别上，建立了小样本身份识别模型、联合身份与行为多任务识别模型、以及身份认证模型等。

结论及展望：以上研究表明了深度学习技术在人体运动微多普勒信号上极具潜力，该技术的应用不仅能够有效提升雷达人体目标识别任务的识别效果，还拓展了雷达人体目标识别的应用场景。基于以上工作，未来针对雷达人体目标识别的研究应该重点关注如何进一步地提取微多普勒信号中包含的人体运动信息，以及利用该信息在满足真实场景的条件下下实现更广泛的应用任务。