毫米波雷达由于其良好的穿透性、较高的检测精度以及商用产品的便捷小巧等特点在智能驾驶、患者监护、交通管制等领域得到了广泛的应用。现有的毫米波雷达人体目标分类识别研究中,对于目标点云的使用并未考虑其远疏近密的特点,同时大多数研究是建立在目标的单个间接特征之上,并未充分利用其特征完成分类识别任务。因此,本文采用机器学习和深度学习的方法对以上问题进行探究,完成对人体目标的聚类、行为分类以及骨骼姿势重构,具体研究内容如下:1、针对毫米波雷达点云目标远疏近密的密度不一问题,提出了一种基于密度聚类的稳健自适应三维点云聚类方法。首先,根据FMCW MIMO雷达信号处理方法,从原始数据中提取目标的距离、方位角以及俯仰角信息;其次,结合雷达的距离分辨率和角度分辨率将提取得到的三维信息以体素形式进行表示,并计算每个体素相应的局部度量值;再次,根据局部度量值计算各个体素的聚类搜索区域;最后,结合遗传算法自适应寻找聚类过程中所需的最佳参数并实现聚类。经实测数据验证,该方法能够实现毫米波雷达三维点云的有效聚类。2、针对基于单一特征的雷达目标分类方法无法多方位考量目标特征这一问题,提出了一种多模态目标分类模型,该模型将目标的点云信息以及微多普勒信息结合,作为两种不同的模态,既考虑了目标的物理形状和空间结构特征,同时也考虑了目标的微动特征。首先对回波信号进行不同处理得到目标的点云和微多普勒谱图,然后采用图像识别网络和点卷积网络分别对微多普勒谱图和点云进行特征提取,接着采用双线性池化对两个特征提取通道的输出进行融合,最后经由全连接层和分类器实现目标分类。测试集测试结果表明,相比于基于单一特征的目标分类,多模态分类模型在准确率上提高了3.09%～8.59%。3、针对现有的基于毫米波雷达点云的目标重构方法尽管能够重建骨骼姿势,但却丢失了目标携带的空间信息,或者并未考虑目标点云的密度指标的问题,本文提出一种结合点卷积进行点云信息提取的骨骼姿势重构方法。通过提取目标点云中各个点的局部信息以及密度信息,实现目标空间位置和结构信息的获取,增加了姿势重构的准确性。而对于点云特征的提取则是基于逐点卷积实现的,即将每个点的不同维度特征乘以不同的权重,这也增加了模型的非线性表达能力。实验结果表明该方法能够有效重建人体目标骨骼姿势,平均定位误差分别为X方向的6.1 cm,Y方向的3.5 cm,Z方向的3.3 cm。