运动人体探测在安防、灾害求援、监控等系统中有着广泛的需求,其中利用雷达技术进行人体探测与跟踪为研究热点之一。近年来,基于微动雷达的人体运动状态识别也受到了广泛的关注与应用。目前,针对微多普勒信号的处理主要停留在简单的时频分析上,信号在时频聚集性或者交叉项抑制上表现较差,直接影响着多分量信号的特征提取。其次,在现有的人体运动状态识别研究工作中,未考虑运动过程中存在的与运动状态无关的人体微动,抗干扰性能较差,在实际应用中具有一定的局限性。针对以上研究的不足,本文利用连续波雷达对人体运动状态识别与分类进行了分析研究,主要从提高信号的时频聚集性和干扰消除两方面展开工作。通过人体微多普勒信号时频分析、特征提取以及状态分类,实现了基于微动雷达人体运动状态分类系统并具有良好的识别准确率。本文主要的研究内容如下:(1)人体运动微多普勒信号分析与提取。提出了多窗口自适应S-method(Adaptive S-method,AS-method)分布算法,对雷达回波进行时频分析。首先,运用多个Hermite窗函数改善微多普勒信号的时频聚集性。然后,使用自适应Smethod分布算法判断频域邻近点的变化率获取不同长度的频域窗,通过自适应频域窗对振荡分量进行抑制,在保证聚集性的同时抑制多分量信号交叉项,达到分离多分量信号的目的。最后在此基础上通过阈值切割与包络提取完成了对有效微动信号的提取。(2)人体运动微多普勒特征的提取与状态分类。在有效微动信号的基础上进行特征的选择、提取以及运动状态分类。在特征提取过程中提出了摆臂配对算法,该算法将包络点的离散度和时间间隔作为判决条件提取有效峰值并进行峰值配对,实现对干扰信号的滤除。最后,根据特征分析结果,结合不同人体运动状态的物理特征,提出了高效的特征值组合,并利用基于决策树的支持向量机(Support Vector Machine,SVM)完成运动状态分类,简化识别算法的同时保证识别准确率。(3)基于上述研究与分析,利用软件无线电设备搭建了人体运动状态分类的实验平台。通过不同场景下的实验结果验证了系统分类的准确率;通过干扰实验对比验证了系统的抗干扰性能。