利用毫米波、声波等无线信号对人体运动进行非接触式感知是近年来新兴的前沿研究热点。目前,人体运动感知通常关注身体躯干、四肢等幅度较大的运动,但人体还存在如手指、胸腔起伏等局部微运动,对其进行非接触式感知将革新人机交互、健康监测等领域的发展,具有重要的研究意义和应用价值。本文围绕人体微运动非接触式感知主要面临的三个重要挑战:相似微运动的区分感知、跨个体微运动的通用感知、微运动表征信息的深度感知展开研究,提出了系列基于声波和毫米波的微运动智能感知模型与方法,并应用于基于手指轨迹微运动的手写输入、基于胸腔微振动的情绪识别中。本文的主要贡献如下:（1）基于运动轨迹特征的相似微运动感知方法。微运动由于其位移幅度较小,导致相似微运动的运动轨迹具有相似性,不易区分。为了解决相似微运动的区分感知,本文利用运动轨迹的固有不变性特征,设计了一种有效的微运动识别方法。本文提出了一种基于特征保留的快速对齐机制,可高效提取表征轨迹模式的特征用于不同长度的微运动之间的相似度计算;并根据多个连续微运动的上下文关系,设计了一个基于打分的贝叶斯概率模型来实现连续微运动感知;设计了一种微运动训练模板样本预选择方法以保证系统的实时性。实验结果表明与现有方法相比,该方法能够在实时的情况下实现更加准确的微运动识别。（2）基于深度神经网络的跨个体微运动感知方法。由于不同用户具有不同的行为习惯,使得同一个微运动具有个体差异性。为了解决跨个体微运动的通用感知,本文设计了一个名为Inception-LSTM的神经网络,其中Inception模块进行微运动的通用的深度局部特征的提取;LSTM模块进行微运动轨迹信号帧之间的时间序列关系的建模,以建立适用于多个用户的微运动通用模型。此外,根据从大量连续微运动样本中挖掘出微运动之间的上下文关系,建立了一个基于多类二元语言模型来实现准确的连续微运动感知。实验结果表明该方法在面对未经训练的用户时能够实现较高的连续微运动识别准确度。（3）基于多尺度注意力模型的微运动深度感知方法。对于一些微运动来说,其行为模式能够体现人的状态甚至情绪。为了解决微运动的深度感知,本文首先进行了测量研究,展示了仅利用与深度信息相关的特征实现深度信息感知的可行性。进一步面向复杂环境下的有效特征选取与微运动特征的时变性偏差修正难题,设计了一个基于特征关注机制的多尺度网络结构,其中多尺度融合模块用于获得更丰富的特征表达,而注意力模块用于强化重要特征并弱化无效特征。实验结果表明该方法能够建立微运动与人/深度信息的高鲁棒映射关系,实现准确的用户识别和情绪感知。（4）非接触式手写输入与情绪识别原型系统。为了验证本文算法的有效性,设计并实现了两个原型系统:手写输入系统和情绪识别系统。通过大量系统实验表明,本文提出的方法能够有效地区分相似的微运动,对不同用户建立通用模型,挖掘出微运动背后的深度信息。这两个系统可应用于人机交互、健康监测等领域。综上,本文从相似微运动的区分感知、跨个体微运动的通用感知、微运动表征信息的深度感知三个方面,对人体微运动非接触式感知的关键技术进行了探索,提出了一系列模型算法,并构建原型系统进行评估,为人体微运动非接触式感知的发展提供了理论依据和技术支撑。