人体行为识别是模式识别领域的一个研究热点,在人机交互、安全监测、医疗军事等领域有着广泛的应用。随着人工智能技术的发展与应用,人体行为识别领域出现了两种主要的研究方法:一种基于传感器信号,如各种可穿戴式传感器;一种基于视觉信号,如自然图像、视频片段等。相比以上两种方法,基于雷达信号的人体行为识别在部署便利性和环境鲁棒性等方面有显著优势,但基于二维雷达信号的识别算法存在对噪声鲁棒性不高、实时性差等问题,因此本文提出了基于二维雷达信号的改进识别算法和基于一维雷达信号的人体行为识别算法。针对二维雷达信号中噪声干扰的问题,本文提出了基于注意力机制和卷积神经网络的人体行为识别算法。此算法在网络结构中加入了注意力机制和空间金字塔池化层,最后对网络生成的分层特征图进行融合,从而实现使用注意力机制减少噪声干扰的目的。本文将提出的算法与五种常见卷积神经网络在不同程度的噪声干扰下进行了性能对比,结果证明提出的算法可以更有效地降低噪声的影响,其在信噪比高于-10dB的情况下可以实现超过92%的识别准确率。基于二维雷达信号的人体行为识别实时性差,一维雷达信号比二维雷达信号特征维度更低、实时性更好。本文提出了基于一维雷达信号的人体行为识别算法,该算法使用双向门控循环神经网络处理高分辨率距离像实现人体行为的分类。本文将提出的网络与循环神经网络、双向循环神经网络、单向门控循环神经网络进行了性能对比,结果证明此网络结构对于高分辨率距离像具备较好的提取特征的能力,在测试集上识别率达到97.6%。最后与基于深度卷积神经网络和二维雷达信号的识别算法进行了对比,结果证明基于一维雷达信号的人体行为识别算法计算效率更高,实时性更好,其所需数据时长是深度卷积神经网络的5.6%。