基于雷达探测的人体步态识别技术可实现远距离、无感式、全天时全天候探测,在安检安防领域及行人检索识别方面有重大的应用价值,是传统光学手段的必要补充。现阶段基于雷达的步态识别技术在算法方面主要以深度学习为主,通过深层网络自动学习步态特征与标签的映射关系,从而完成步态分类识别。但从研究现状可以看出,该方法目前存在两个方面的缺陷。一是基于深度学习技术的人体步态识别方法主要以单发单收的低频段雷达探测为主,通过对目标微多普勒图进行特征提取及分类识别,没有充分挖掘人体步态的多维特征,样本可供学习的步态特征有限,在复杂场景下识别准确率会显著下降;另外一个问题是基于雷达探测的人体步态回波数据具有一定的时空连续性,而现有的步态识别算法时空建模能力有限,一定程度上破坏了步态数据的周期性,未能充分挖掘步态数据的时空特征,识别准确率与网络泛化能力有限。本课题围绕利用雷达进行人体步态探测的两个基本问题,提出了基于毫米波阵列雷达的人体步态识别技术。首先对调频连续波多维测量原理进行了理论说明和公式推导,完成了阵列雷达体制下人体目标的回波建模工作。通过仿真对比分析了不同阵列构型对雷达成像性能的影响,设计了合理的天线构型。依据系统设计,我们利用毫米波阵列雷达对人体目标进行多维探测,通过对回波信号进行线性滤波、时频变换、三维点云特征提取等处理,得到了人体步态的一维和三维特征数据。在网络结构设计中,我们在改进残差网络的基础上提出了一种二维多通道卷积神经网络。该网络以时频图像、三维坐标、径向速度和幅值作为输入,利用多通道卷积对各维度特征进行分层提取,再利用多特征融合技术对各层特征进行融合增强,从而完成对人体步态的分类识别,针对六类典型步态,达到了平均97.44%的识别准确率。针对二维卷积网络在处理时序信息方面的不足,进一步提出了三维多通道卷积神经网络。该网络以人体运动过程中强散射点的三维空间坐标、径向速度和强度作为输入样本,利用三维卷积网络在时空信息挖掘方面的优异性能对各维度特征进行分层提取,通过融合识别进一步提升了分类准确率。通过对比实验验证了三维卷积卓越的时空建模能力,并证实了多维特征融合在特征增强方面的优异表现。利用多通道三维卷积网络对四类典型动作进行分类识别,平均准确率提升了10%左右。