随着人工智能的发展和人类对生活品质的追求,手势识别逐渐成为该领域的热点话题。传统的手势识别多为静态手势识别,而在智能驾驶、智能家居、单机游戏及手语解读等方向,静态手势已不能表达用户对加减速、升降温等方面的需求,而触摸屏交互又不利于用户体验的提升,因此,需要引入动态手势识别来实现更加丰富的功能。传统的动态模式识别常在一段视频中截取几帧画面,通过比对画面像素值变化来确定其所属类别,此类方法受光线影响较大且RGB三层像素运算需要一定的成本。而相对于图像或视频,在动态模式识别领域,雷达不受光线影响因而具有一定的优势。但同时,雷达捕获的是物体的信号过程,存在不确定性与多样性问题,传感目标特征方法无法准确预测。因此,本课题将雷达信号处理问题通过机器学习方法解决,结合FFT对手势信号进行处理作为输入量训练动态手势SVM模型,实现对动态手势信号的分类。本课题的主要工作内容如下:首先,本课题采用STM32F405RGT6微处理器、K-LC5雷达、HC-05蓝牙,面向嵌入式平台,设计了可进行手势信号采集的硬件系统。其次,本课题分析了手势雷达信号经不同采样宽度的小波变换、不同分段间隔的FFT结果,以动态手势识别需同时捕获相对全面的时频域信息为出发点,最终确定了32点FFT的手势信号预处理方案。同时结合本课题手势信号长度、预处理方案等方面的需求,设计了动态手势信号采集系统,并利用该系统采集了4000条手势信号,建立了动态手势信号数据库。同时,利用本课题靠近和远离,挥手和握拳四种动态手势信号两两相似的特征,提出了二拓扑SVM模型,初步实现了手势信号的分类。并比对了两种常见的参数优化算法,提出了针对多参数优化的网格-遗传算法,在缩小SVM高效参数区域之后,再寻找微观的最优参数组合,进一步提高了手势信号的分类效率。最后,对本课题开展了总结,整理了课题的成果,优化了课题的发展方向。