目标不同结构部件相对运动(微动)产生的多普勒效应称为微多普勒效应。研究人员可以利用微多普勒特征来研究人类正常行为,从而有效检测异常行为或威胁。因此开展基于微多普勒特征的人类行为分类及相关问题研究在医疗康复、生命救援、公共安全与医疗监测等领域具有广阔应用前景,受到研究人员的广泛关注。本文针对现有微多普勒信号处理方法存在的不足,主要从噪声抑制、特征提取及目标分类等三方面展开具体研究,在现有理论和方法的基础上,进一步拓展基于微多普勒特征的人类行为分类的理论基础,设计更具普适性和鲁棒性的高效方法,为微多普勒特征的具体应用提供理论和技术支撑。本文提出的算法及模型全部通过理论分析、计算机仿真以及测量数据检验,证实其具有良好性能。具体研究内容归纳如下:1、研究了目标与微多普勒效应之间的关系。针对微多普勒雷达测量数据样本不足的问题,提出了一种基于运动捕捉数据的人类行为雷达回波模拟方法。该方法通过人类运动数据对人类行为建模,结合雷达系统收发位置关系,对雷达回波进行模拟。不同人类行为的模拟样本与其雷达测量样本特征参数的一致性验证了该方法的有效性。2、研究了经验模式分解及其衍生算法信号去噪问题。针对信号去噪时分解分量凭经验选取的问题,通过分解分量频率与目标频率的比较,提出了分解分量直接提取准则,避免因凭经验选取分解分量而造成的错误。仿真和实验结果表明,直接提取的分解分量即为有效信号分量。针对信号去噪时分解筛选过程破坏特征的问题,基于小波字典学习机制,进一步提出了缺失特征重构算法,将分解筛选过程中丢失或中断的信号分量重建。仿真和实验结果表明,该算法可以在重建分解筛选过程破坏的信号分量的同时移除无用信息。相较于有效分解分量叠加算法,该算法具有更强去噪能力。3、研究了多分量微多普勒频率估计问题。针对现有多分量频率估计方法严重依赖于可靠先验模型的缺陷,提出了一种可缺少信号先验模型的稀疏多分量频率估计算法。该算法通过离散傅立叶变换字典搜索粗糙信号分量,在最佳空间基投影,估计出精细信号分量。在实现过程中,该算法利用交替方向乘子法进一步提高离散傅立叶字典学习效率。若信号无偏,粗糙信号分量可通过计算直接得到用于投影的最佳空间回归基。若信号有偏,则可通过交叉验证分组方式在时序上对信号分量进行分组,并计算每组信号分量对应的子空间回归基,通过子空间回归基得到用于粗糙信号分量投影的空间回归基。交叉验证折叠数由可平衡精度和处理时间的粒度选择准则实现。仿真和实验结果表明,该算法不需任何有关信号模型的先验知识,便可估计线性调频或正弦调频信号分量,获得比时频图更好的分辨率。4、研究了人类行为的微多普勒雷达信号样本分类问题。针对时频分析误差导致分类性能差的问题,利用时域信号自相关函数与时频图存在函数映射关系,通过引入l2范数,将时域雷达回波自相关函数特征提取问题转化为一个凸优化问题,设计了一个迭代卷积神经网络框架对该凸优化问题求解,实现微多普勒特征的自动提取,并进一步提出了迭代卷积神经网络特征提取分类算法。该算法通过迭代卷积神经网络框架自动提取微多普勒特征,接着利用提取特征作为分类器输入实现分类,从而解决了时频分析误差导致的分类性能差的问题。仿真和实验结果表明,相较于时频图提取特征分类结果,该算法分类性能更为稳健。在三维空间不同方向上,同一行为会产生不同微多普勒频移。针对方向对微多普勒特征分类性能影响问题,本文采用不同分类算法对不同方向处采集的数据样本进行分类,并研究其分类性能。仿真和实验结果表明,不同特征对分类性能影响巨大,不同分类器对分类性能影响较小。训练样本与测试样本方向越接近,分类性能越好。