随着5G和人工智能技术的不断崛起,人机交互方式的不断完善,越来越多的研究者开始从事于人工智能、自动驾驶以及人机交互领域。手势作为人机交互中最常见的沟通方式,逐渐成为当前研究的热点。传统的手势识别方法主要采用穿戴设备或摄像头设备进行识别。这类方法由于其穿戴不方便且容易受到光线强弱影响而无法广泛应用。相比于传统手势识别方法,基于调频连续波(Frequency Modulated Continuous Wave,FMCW)雷达的手势识别具有抗干扰性强、便捷性等优点。本文基于类目标干扰抑制的FMCW手势识别方法开展研究。首先,修正雷达中频信号(Intermediate Frequency,IF)中相位偏移的部分,分别利用二维快速傅里叶变换(2D Fast Fourier Transform,2D-FFT)算法和多信号分类(Multiple Signal classification,MUSIC)算法提取手势目标的距离、速度和角度参数,构建距离-多普勒耦合图(Range-Doppler Map,RDM)和角度-时间图(Angle-Time Map,ATM)。其次,根据RDM和ATM的估计结果,研究类目标干扰抑制方法。根据参数估计后目标功率峰值,利用恒虚警检测(Constant False Alarm Rate,CFAR)设计自适应门限提取目标信号,然后联合目标参数信息,修正信号中径向速度与手势实际运动速度的偏差,改进卡尔曼滤波方式使其残差序列保持正交,完成手势目标的跟踪,并对非手势目标进行抑制。最后,研究多参数手势识别方法。首先将处理后的手势信息融合,构建距离-多普勒数据集和角度-时间数据集。根据各数据集特点分别采用三维膨胀卷积神经网络(Inflated 3D Conv Net,I3D)和单参数神经网络进行特征提取,然后再从各参数中提取手势的时间关联特征,最后将RDM特征进行分割后与ATM特征重组,采用支持向量机(Support Vector Machine,SVM)和全连接层(Fully Connected Layers,FC)进行特征融合和分类。