超宽带雷达人体目标行为识别是近年来模式识别领域的一个研究热点,在灾难救援、人机交互、病人监测等领域具有重要的应用价值。基于深度学习的人体目标行为识别技术可有效解决基于传统机器学习的行为识别算法中特征提取不充分或不匹配的问题,已成为超宽带雷达人体行为识别领域的主流方向之一。从国内外研究现状来看,人体行为识别主要面临识别准确率低、参数过大、样本过少、实时性差、以及视角局限性等难题。因此,针对上述难题,开展了基于超宽带雷达非直视人体目标的深度学习模型参数优化、轻量化网络设计、迁移学习、多雷达协同实时识别等方法研究,主要工作和创新点如下:1.针对识别准确率低问题,提出一种基于RegNet网络参数优化的人体目标行为识别方法,该方法结合了半自动设计网络和神经网络架构搜索的优点,显著提升了人体目标行为的识别准确率,并对人体行为识别模型架构的理解和设计分析提供一定的指导意义。2.针对模型参数过大问题,提出一种基于注意力机制的Mobile Net轻量化网络空时融合的人体行为识别方法,首先利用注意力机制对行为样本的多尺度多通道进行信息增强,然后利用Mobile Net网络进行轻量化处理,实现了单视角非直视人体目标行为的高效准确识别,并为网络模型嵌入便携式设备提供理论依据。3.针对小样本及雷达视角局限性的问题,提出一种基于异构迁移学习的多雷达协同人体行为识别方法,首先利用公开的图像数据集对人体行为识别网络模型进行预训练,然后将知识迁移后的雷达数据对模型进行再训练,解决了样本过少导致网络模型过拟合问题,以及视角局限性引起的识别方法性能下降的问题。4.针对实时性差及信息利用不充分的问题,提出一种基于Stacking集成学习双向循环神经网络的多雷达人体行为实时识别方法,首先利用双向循环神经网络进行历史和未来信息关联,然后采用Stacking集成学习融合多雷达数据,解决了人体行为识别实时性差和信息利用不充分问题,所提方法在准确率、最大时延和角度敏感度等方面性能良好。以上提出的超宽带雷达人体行为识别方法均通过实测数据进行了测试和验证。结果表明,本文提出的识别方法能够有效提升网络的识别性能,可应用于超宽带智能雷达系统。