近年来,随着多普勒雷达精度的上升和成本的下降,雷达人体识别逐渐成为了理论研究和应用研究的热点。基于雷达的人体动作识别与人体身份识别在军事、灾难营救、医疗监控等领域都有着十分广阔的应用前景。本文通过分析现有的微多普勒雷达人体识别算法,发现对不同的识别任务分别进行建模的识别方法存在局限性。此类方法忽略了相关任务之间的监督信息,容易导致单个识别任务上的过拟合。本文基于雷达人体动作识别与身份识别两种任务之间的潜在相关性,将多任务学习的思想引入深度学习模型,以促进相关任务间的特征共享,提升识别模型的识别精度与泛化性能。本文的主要研究工作和贡献包括:（1）提出一种基于卷积神经网络的人体动作与身份多任务识别模型。针对单个识别任务中监督信息不充分的问题,构建了多任务的特征共享层与任务特定层,在结构上引入基于空间的注意力机制,对生成的各级特征图进行了重校正,并利用多尺度结构进行各级特征融合,从而获取了更具有鲁棒性的多任务共享特征,最后在任务特定层上实现了多任务识别。为提升模型的泛化性能,设计由中心损失、均方误差损失和交叉熵损失构成的联合损失函数,进行多任务识别模型的优化,使样本在共享特征空间内形成了更加紧致的类分布。（2）针对雷达时频谱图的时间序列性,提出了一种结合卷积神经网络与长短时记忆网络的人体动作与身份多任务识别模型。首先,基于卷积神经网络实现对各时段图像特征的自动学习。然后,将所得到的特征按时间顺序进行组织,将其作为长短时记忆网络各个时间步的输入。最后,通过时序分析获取多任务识别的共享特征。在此基础上,引入基于时间的注意力机制,通过学习注意力权重参数,获取各时间步输出的共享特征信息对每个识别任务的重要程度,从而针对特定任务进行更加准确的图像信息表征。在雷达人体实测数据集上的对比实验表明,本文方法可以更有效地同时完成人体动作识别及身份识别任务。并且在具有不同数据量、噪声等级、短时傅里叶变换窗长的数据集上进行了泛化性分析。实验表明,所提出的方法在各种条件下的雷达实测数据集上都有良好的泛化性能。