人工智能与经济社会的深度融合给人类社会发展带来强大动能,但随之而来的安全威胁和隐私保护问题却带来了新的挑战。人的身份安全与生活息息相关,诸多日常安保场景都对身份的精确识别有着迫切的需求。当今数字化社会环境需要安全、普适性强、隐私性好的身份识别技术来实时验证个人身份。本文从人体运动产生的微多普勒信号出发,对基于雷达信号的身份识别方法展开研究,针对小样本数据身份识别、短时窗样本身份识别、身份与动作联合识别、基于步态的身份认证等多个方面的问题提出优化算法和解决策略,主要工作可以总结如下:研究基于小样本微多普勒图像数据集的身份识别方法,提出一种适用于雷达谱图的数据增广方法扩充数据集,降低算法模型对实测数据样本数量的要求;同时设计了一种多尺度深度特征融合的模型,通过尺度归一化及特征重组的设计,提高模型在有限数据下对身份信息的提取和理解能力。研究基于时序先验知识的短时窗谱图身份识别方法,提出一种基于Transformer时序编码器的身份识别模型,挖掘雷达时频谱图中的时序信息来补充短时窗谱图中频率信息的不足;通过加入全局上下文模块减少模型对局部信息的关注,加强时间维和频率维全局相关信息的提取,实现对短时窗谱图中目标身份的准确识别。研究身份与动作多任务识别的方法,通过分析身份识别与动作识别任务的相关性,提出了一种共享底层特征的联合识别算法,促进各领域任务的共同优化。在模型设计中首先采用通道注意力模块,选择性地增强了含有有效身份信息特征的通道。之后设计了一种收缩注意力模块对特征复用部分进一步优化,提高共享特征复用率。在每个任务分支上采用混合损失函数,使各分支更好地拟合相应任务的标签分布,最终实现由一个模型同时完成身份识别和动作识别两种任务。研究非侵入式单分类身份认证方法,将人体步态微多普勒特征作为动态生物特征,构建一个基于生成对抗网络的身份认证系统,实现了一种无需参考集的身份认证模式。模型构建过程中借助对抗性训练方案,以生成器输出的样本作为负样本支持对正样本的类别边界的拟合;在判别器中加入细粒度识别模块强化模型对相似正负样本的辨别力,并借助判别器的二元决策输出完成身份认证过程。