微多普勒效应是由于目标各部件发生除了主体平动之外的转动、振动等运动所带来的对雷达回波调制效应的统称。通过分析信号,能够得到目标的微多普勒特征,微多普勒特征携带了目标独特并且细微的运动信息,对于目标的识别具有重要意义。微弱的微动形式对噪声比较敏感,比如人体的呼吸运动和心脏的律动引起的胸腔起伏等等。产生于雷达信号源的相位噪声,对微多普勒特征的提取和以微多普勒特征为依据的分类有较大影响。本文针对人体微多普勒特征的探测、特征提取与识别问题展开研究,第一章首先阐述了人体微多普勒特征检测和识别的研究意义,并且列数了微多普勒特征提取、微多普勒特征识别和分类、相位噪声对微动参数估计的影响等方面的国内外研究现状。第二章首先分析了点目标和人体呼吸心跳的微多普勒散射模型。比较了正弦调频傅立叶变换和时频分析两种分析方法的处理结果。对BP神经网络和卷积神经网络进行了原理阐述,并且论述了用卷积神经网络进行特征提取具有的优势。第三章提出了一种衡量微多普勒特征反演效果的参数计算方法。利用该参数分析了不同强度的相位噪声对微多普勒特征提取效果的影响,并且从多个微动参数的角度分析了在特定相位噪声条件下,微动参数对微多普勒特征反演效果的影响。最后通过实验数据拟合得到了在保证最低微多普勒特征提取效果的条件下,相位噪声和各微动参数之间关系的经验公式。第四章首先介绍了700 MHz的P波段单频连续波雷达系统,实验证明,该系统能够探测到人体呼吸和心跳特征,为识别提供了数据基础。文章采用基于迁移学习的卷积神经网络作为提取特征的工具,将卷积神经网络和BP神经网络进行级联,使用BP神经网络进行人体呼吸和心跳特征的分类。为了进行对比,文章还采用正弦调频傅立叶变换的方法对雷达回波进行处理,并且提出了一种从频谱当中提取呼吸和心跳特征的方法,将从频谱当中提取的特征使用BP神经网络进行识别。文章对比了基于卷积神经网络提取特征和基于频谱提取特征两种方法的分类识别精度,还设计了用户界面进行数据输入和识别操作。第五章总结了本篇文章的主要工作和创新点,并且展望了未来对该研究需要进一步工作的方向。