通过识别手势动作对设备进行隔空操作是自然人机交互的重要手段。基于高分辨雷达的手势动作识别具有目标信息丰富、隐私保护性能良好以及光照鲁棒性等优势,是目前手势识别领域的热点研究方向,在智能家居、自动驾驶等领域有潜在应用需求。作为传统人机交互的替代模式,现有的高分辨雷达手势识别技术着重解决手势动作识别准确性的问题,而针对识别方法高鲁棒性和低延迟性的研究还不够深入。为了解决上述问题,本文通过分析手势动作的物理特性和高分辨雷达的手势信号特征,凝练了亟需解决的主要科学问题,深入开展了高分辨雷达手势识别方法的研究工作。论文主要研究内容和贡献包括以下几个方面:1.针对不同用户手势动作的差异性导致的类内样本方差大的问题,提出了低个性敏感手势识别方法。该方法从手势动作的雷达信号模型入手,利用数据增强方法对手势帧的运动轨迹信息进行增强,同时基于数据源对识别性能影响的可视化实验结果,建立了聚焦泛化性损失函数,提升了跨数据源评估模式下的手势识别准确率。2.针对手势雷达信号中多信息耦合和样本各异性的问题,提出了自适应泛化特征学习方法。该方法通过分析不同类别手势样本中多信号耦合的现象,利用双路特征提取器,实现了对粗粒度手势和细粒度手势泛化特征的提取,同时根据不同数据源中手势样本质量的各异性,建立了自适应个体代价损失函数,进一步提升了跨数据源模式下手势识别的泛化性能。3.针对帧级输入样本中有限信息量导致的识别性能下降的问题,提出了基于更高分辨雷达的手势特征集提取方法。该方法通过分析基于更高分辨雷达的手势信号模型,从手势的运动轨迹、行为以及方向三个方面重构了可以刻画手势精细特征的七种特征算子,同时结合雷达高脉冲重复频率的优势,建立了基于手势帧的时序性特征算子,实现了高精度的手势帧级识别。4.针对帧级手势识别难以同时满足高精度和低延迟的问题,提出了手势的负延迟识别方法。该方法通过分析常见手势的运动规律,构建了手势预分类准则,同时基于预分类得到的每个手势子集的特点,建立了两级级联的手势识别框架,降低了识别精度对输入样本中时序信息的依赖,实现了高精度、低延迟的手势识别。以上工作已通过各类手势动作的实测雷达数据完成了验证。实验结果显示,本文提出的方法可以有效提升手势识别算法的泛化性和低延迟性,为高性能手势识别技术在人机交互领域的应用提供了技术支撑。