随着人脸识别、健康监测等领域的发展,人的眼部信息受到广泛关注。眨眼作为眼睛的重要特征,眨眼检测与眨眼分类逐渐成为研究热点。目前,眨眼数据主要来自眼电图、传感器、摄像头和雷达。然而,使用眼电图和传感器测量眨眼需要用户接触电极或佩戴眼镜,舒适感差。摄像头可能会泄漏用户的隐私,并且在强光或黑暗等环境下可能无法工作。由于雷达具有非接触性、安全性、便利性、可24小时全天候工作等优势,因此本文采用调频连续波（Frequency Modulated Continuous Wave,FMCW）雷达来开展眨眼检测和眨眼分类的研究。具体内容如下:针对眨眼信号获取困难的问题,本文提出了一种基于自适应噪声完备集合经验模态分解（Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN）结合奇异谱约束的眨眼检测方法。首先,通过快速傅里叶变换算法直接处理雷达中频（Intermediate Frequency,IF）信号,估计人体头部到雷达的距离,并提取该距离处的所有IF信号。其次,利用CEEMDAN算法分解IF信号得到多个本征模态分量（Intrinsic Mode Function,IMF）。然后,利用奇异值分解分别对每个IMF进行分解,并计算各自的奇异谱能量概率,再基于阈值选择有用的IMF重构眨眼信号。最后,利用短时傅里叶变换和单元平均恒虚警率实现眨眼检测。针对眨眼动作识别的问题,本文提出了一种基于卷积神经网络（Convolutional Neural Network,CNN）结合长短期记忆（Long Short-Term Memory,LSTM）网络的眨眼特征提取和分类方法。通过CNN网络提取眨眼的空间特征,再利用LSTM网络进一步提取眨眼的时间特征,并将眨眼特征图送入网络进行离线训练和在线验证。实验结果表明,在5种眨眼动作类型下,本文提出的CNN-LSTM混合神经网络的平均分类准确率可达96.88%。