毫米波雷达具备优秀的感知能力,可在距离、多普勒、方位角、俯仰角等多个维度提供高分辨率测量,准确检测感兴趣目标的存在以及位置。随着毫米波雷达在自动驾驶等智能领域的进一步发展,毫米波雷达应用越来越需要高效的数据分类算法。目前,基于深度学习的毫米波雷达数据分类方法较多依赖人工设计的神经网络模型,需要大量反复实验去测试不同神经网络结构、不同超参数的模型性能,并进行长时间的人工调优,导致人工设计毫米波雷达数据分类网络过程十分复杂且效率较低。同时,毫米波雷达的多维数据结构需要根据不同场景针对性设计网络结构。针对上述问题,本文基于网络结构搜索的相关理论,聚焦于算法的搜索空间、搜索效率和分类性能,研究基于网络结构搜索的毫米波雷达数据分类算法。本文的主要研究工作如下:（1）针对毫米波雷达数据分类,人工设计神经网络过程十分复杂且可迁移性较差,本文提出基于网络剪枝和特征尺度调节的梯度下降网络结构搜索算法,命名为Network Pruning and Feature Scale Adjustment-Differentiable Architecture Search（NF-DARTS）。在所提出的NF-DARTS算法中,通过网络剪枝对中间结点的有向边进行裁剪,去除其中竞争力更低的一半神经网络算子,从而缩小搜索空间,提高搜索效率。之后,利用特征尺度调节策略评估三个特征尺度分支,保留评估值最高的分支结构,以此减少全局池化带来的信息损失,并获得神经网络深度上的伸缩性。此外,提出了分组卷积注意力（Group Convolution Attention,GCA）算子,并将其引入到候选算子空间中,通过卷积核学习局部感受野中更重要的像素信息来形成强区分力的特征,提高神经网络分类性能。实验结果表明,对比现阶段其他优秀算法,NF-DARTS算法具有更高的搜索效率和分类性能。（2）针对毫米波雷达多模态数据分类,提出基于参数映射的多模态网络结构搜索算法,命名为Multimodality-DARTS（MM-DARTS）。在所提出的MM-DARTS算法中,首先构建了多模态网络的搜索框架,引入参数映射机制来减少网络训练的计算消耗和时间成本,使得神经网络具备学习模态交互信息的能力,提高神经网络的分类准确率。同时,利用网络空间适应策略,以分类准确率为指标,从神经网络的深度和宽度两个维度进行缩小,减少模型的参数量,以此达到神经网络复杂度和毫米波雷达任务相适应的目的。实验结果表明,MM-DARTS可以有效地学习毫米波多模态信息,表现出优秀的分类性能,无论是在RDATM数据集还是RDRA数据集。