人类社会生活与雷达息息相关,不断推动着雷达技术的发展浪潮向前推进。在雷达家族中超宽带雷达（Ultra Wide Band,UWB）由于具备抗干扰性强、检测精度高和功耗小的特点广泛应用于智慧医疗、自然灾害检测和军事战争等领域。实际检测中雷达信号与被测目标无需紧密接触和其他中间媒介,在有效范围内可简易高效完成相应工作。然而目前UWB雷达信号在进行人体呼吸心跳体征信息检测时,由于呼吸和心跳引起的体表起伏较小,雷达回波信号易受到周围环境的噪声干扰,体征信息会湮没在噪声中。另外,在进行回波信号分离过程时,心跳信号强度相对呼吸信号强度较弱,经常会出现掺杂呼吸谐波分量致使提取工作十分棘手的情况。本文将运用融合遗传算法的反向传播神经网络优化传统的聚类经验模态分解（Ensemble Empirical Mode Decomposition,EEMD）算法建立生命体征检测模型,加强了本征模态分量（Intrinsic Mode Functions,IMF）的特征训练,重构后能获得信噪比较高的人体呼吸心跳信号。论文从UWB雷达检测体征信息的需求背景展开分析,从雷达系统硬件部分和信号处理算法两个层面进行了详细的研究和设计。首先分析了UWB雷达检测人体体征信息的工作原理,制定了雷达发射接收机、系统增益和噪声系数等参数指标。根据设计指标选择了合适的芯片和电子元器件,将整个雷达系统划分为多个子模块并分别进行独立的电路原理图设计和PCB版图绘制。并使用Lab View开发了雷达检测系统的上位机,作为系统硬件电路和软件仿真的数据传输纽带。在经过基本功能验证后,证实了雷达系统硬件指标的正确性和检测生命体征信息的有效性。然后搭建了生命体征检测模型。对UWB雷达接收的回波信号进行动目标检测法滤除静止杂波,利用距离门选择方法提取出体表振动信号,其次对信号进行EEMD分解得到IMF分量。使用贝叶斯正则约束的GA-BP神经网络对IMF分量转化后的特征向量进行特征训练,将重构后的心肺信号与原生EEMD重构后的心肺信号相对比。仿真结果表明,GA-BP神经网络重构的信号与实际的人体体征信号吻合度更高。最后对设计完成的雷达系统进行功能验证。使用UWB雷达进行目标探测的同时,同步采集被测人的心电图用作参照校准。使用参数调优后的生命体征模型与原生EEMD模型分别对IMF分量进行重构,并从信号波形和频谱两个维度进行深度分析。实验结果表明新模型重构后的信号拥有较高的信噪比,达到了体征信息检测标准,有力证实了课题研究的正确性。