手势识别作为一种自然直观的人机交互方式,用户可以通过手部运动来实现对电子设备的控制。毫米波作为5G无线通信关键技术,可大幅度提高无线网络速率。除了超高速无线传输,毫米波的短波长、大带宽、有向波束等特点,也使得高分辨率、高健壮性的人员手势识别成为可能。为了取得更智能、便捷的人机交互体验,本文基于调频连续波毫米波雷达平台进行了手势分类和识别的研究,具体工作如下:（1）针对微小手指动作、易混淆手势的分类效果不好问题,本文在手势数据预处理、特征利用以及网络架构等方面进行了研究,提出了基于多尺度特征融合的手势识别算法。在数据预处理方面,对回波信号进行预处理剔除异常点和无效点,达到抑制杂波和噪声的效果。另外,利用毫米波雷达平台多发多收的特性,从不同角度提取手势特征,充分利用不同位置下的手势运动信号变化,提高手势识别的鲁棒性。在特征利用方面,本文采用多角度融合的DTM和手势运动轨迹RAM作为手势特征。在网络架构方面,本文提出的多尺度特征融合网络,可以同时学习手掌和手指的特征。实验结果表明,与现有其他基于毫米波雷达的手势识别算法相比,本文提出基于多尺度特征融合的手势识别算法在兼顾手掌动作识别率的同时,也明显提高手指细微动作的识别率。（2）针对单一特征输入时手势识别准确性不高,多维特征输入时网络结构复杂且计算耗时的问题,本文在系统实时性以及空间复杂度等方面进行了研究,提出了一种基于手势时空压缩特征的轻量级手势识别算法。该方法在预处理后的距离-多普勒特征图基础上,利用动目标点的主导速度来表示手势的运动特征,实现手势时空特征的压缩,然后设计一个轻量级的卷积神经网络来学习和分类手势。实验结果表明,与现有其他手势识别算法相比,本文提出的基于手势时空压缩特征的轻量级手势识别算法在保证识别精度的同时,在网络模型大小、系统实时性以及泛化能力上都具有明显的优势。