随着人工智能时代的到来,智能家居、智能可穿戴设备、虚拟现实等各类应用开始不断涌现。人机交互在上述领域中扮演着人与设备沟通的桥梁。在人机交互的发展过程中,手势交互作为人类最具有表现力的交互方式备受关注。传统的手势识别方法都是基于数据手套以及视觉,然而基于数据手套的手势识别方法需要强制用户佩戴集成各类传感器的数据手套,给用户带来额外负担。基于视觉的手势识别方法容易受自然光照条件的干扰,同时还存在隐私泄露的问题。基于微波雷达的手势识别方法不仅无需用户佩戴数据手套且不受自然光照条件的影响,还可以实现全天侯工作和避免隐私的泄露。考虑到上述问题,本文进行了基于微波雷达的手势识别技术研究,主要包括基于连续波雷达（Continuous Wave,CW）和基于调频连续波（Frequency Modulated Continuous Wave,FMCW）雷达的手势识别技术研究。本文的主要工作有:（1）对于基于CW雷达的手势识别,本文首先对目标手势运动时的CW雷达回波信号的特征提取进行了分析与探究,在多普勒频移的原理基础上,选择了经典的时频分析方法,利用短时傅里叶变换算法来求取CW雷达回波信号中表征目标手势运动的特征时频图,反映为目标手势速度随时间的变化。在分析特征时频图时,在发现两类手势特征相似的基础上进一步提出了拓扑支持向量机（Support Vector Machine,SVM）模型来对目标手势进行分类。（2）本文同时进行了基于FMCW雷达的手势识别技术研究。首先利用FMCW雷达的中频（Intermediate Frequency,IF）信号来仿真计算目标手势的距离、速度信息。进一步利用二维快速傅里叶变换（2D Fast Fouruer Transform,2D-FFT）算法获得代表目标手势运动轨迹的多帧距离-多普勒图（Range-Doppler Map,RD-Map）。最后使用多信号分类算法求解角度信息。根据多帧RD-Map在时间上具有连贯性的特点,提出一种浅层的基于时间序列的卷积神经网络模型来对目标手势进行分类。（3）搭建手势数据采集系统对手势数据进行采集与打标。实现了一个端到端的手势识别系统,实时测试手势识别系统的识别准确率。并在实验场景下探究了不同条件因素对基于不同雷达传感器的手势识别准确率的影响。最终基于CW雷达的手势识别平均准确率为93.4%,基于FMCW雷达的手势识别平均准确率为95.5%。