基于雷达的生命体征检测方法主要利用雷达信号来获取目标的微动特征,当目标为人体时,即可从雷达回波的相位中获取到人体的呼吸特征和心跳特征。虽然在该领域,许多研究者已经提供了许多有效且极具创新性的方法,但是对于一些复杂情况,传统方法并不能很好地检测人体生理特征,如低信噪比的情况,和多个人体目标的情况。因此,本文围绕这两种情况主要进行了以下研究:（1）建立了基于FMCW雷达的人体生命体征回波模型本文根据雷达目标检测原理,分析了人体微动特征对雷达回波信号的影响,从理论上建立了人体生理信号的提取流程;为了保证模型的可靠性,还研究了具体环境下的噪声分布,从而保证了模型中的噪声分布与环境噪声一致。人体回波模型、噪声模型以及雷达设备的相关配置等内容,为后续的研究工作给出了指导性建议。（2）低信噪比情况下的生命体征检测针对低信噪比情况下的单目标检测问题,本文从传统算法角度出发,分析了传统生命体征检测算法在低信噪比情况下的一些缺陷。在此基础上,本文根据模态分解的原理,提出了一种基于辛几何变换的生命体征检测算法,该算法在多个环节上给出了一些提高信噪比的优化方法,包括滤波器方法和谱估计方法,最终通过辛几何变换的模态分解方式来分离呼吸信号和心跳信号。（3）基于深度网络的生命体征检测算法除了信号处理的方式之外,为了解决信号信噪比低的问题,本文还利用深度网络进行信号去噪,在此过程中,提出了一种基于生成对抗网络的生理信号去噪算法。该方法将低信噪比回波信号的时频数据输入去噪网络,进而生成高信噪比的时频结果,再通过图像处理的方法从原始时频数据中恢复出相位信号。该方法利用深度网络进行信号去噪,提高了相位信号信噪比,进一步提升了低信噪比情况下单目标生命体征检测效果。（4）多目标生命体征检测方法研究在多目标情况下,本文针对多目标如何分离的问题,提出了一种自适应快速角度估计算法,该算法结合了多重信号分类的方法（multiple signal classification,MUSIC）和角度FFT的方法。在估计目标单元的时候,利用信息降维的手段去除了回波中的一些冗余数据。在保证方位估计精确的前提下,加快了算法的运算速度。