毫米波雷达手势识别作为一种无接触式人机交互方式,在智能驾驶、远程医疗、体感游戏等领域具有广泛的应用前景。传统毫米波雷达手势识别方法将回波信号通过时频分析转换成频谱特征图,再按照图像分类的方法识别手势。这种通过预处理雷达回波获得的手势样本包含的特征信息会有损失,导致分类模型在其他数据上的鲁棒性较差。本文基于毫米波雷达回波的时间相关性特征,采用深度学习的时域建模方法展开研究,主要工作如下:1.传统的毫米波雷达动态手势识别方法,需要对手势回波中包含的距离、速度和角度等信息进行时频分析,从而得到各种特征谱图（序列）,然后再利用各种分类模型对这些图片或序列进行识别,处理流程较为繁琐。本文提出一种基于串联式一维神经网络（One-dimensional Series connection Neural Networks,1D-Sc NN）的毫米波雷达动态手势识别方法。首先将手势回波序列以时序方式重新组合,然后搭建一维卷积层、池化采样层和一维的Inception v3等模块获取多帧手势的特征序列。最后将一维卷积模型获取的特征输入长短时记忆网络层（Long Short-Term Memory,LSTM）来聚合序列中的一维特征,利用多帧序列的时间关联性,提高模型的收敛速度和分类的准确率。实验结果表明,该方法适用于样本不充足的场景,对手势分类的准确率可以达到96.0%以上,优于传统的基于频谱特征图的动态手势识别方法。2.针对随机动态干扰环境下的手势识别问题,传统的手势识别方法鲁棒性较差,动态手势之间易相互混淆。本文提出一种基于自注意时序神经网络（Self-attention Time-series Neural Networks,Atten-Ts NN）的毫米波雷达动态手势识别方法。首先,按雷达回波的帧和序列特性堆叠数据块作为手势样本,并以时间分布层（Time Distributed Layers,TD）包装一维时序神经网络,提取每一帧序列的运动特征。然后采用帧间自注意机制模块计算多帧序列的权值分数,在获得帧间相关性的同时抑制随机干扰。通过Flatten函数衔接一维时序网络和注意力机制模块,最后用全连接层和softmax函数归一化手势类别的概率值。实验结果表明,该方法在随机动态干扰（如挥手或抛物）占比25%的情况下,可以达到98.43%的识别准确率。3.传统基于深度学习的动态手势识别模型在嵌入式设备上部署时,存在模型参数量较大,模型算子冗余和计算量大的问题,往往需要经过模型剪枝、压缩等加速算法的处理。本文提出一种基于知识蒸馏的毫米波雷达动态手势识别模型压缩方法。首先,在Atten-Ts NN模型的基础上简化模型结构,保留主要模块。然后调控温度值,并采用老师模型（Atten-Ts NN）指导学生模型的训练方式,对原有模型进行蒸馏。实验结果表明,蒸馏后的学生模型被大幅度压缩,在含有干扰的数据集中仍能保持98%以上的准确率。