人类活动的分类和识别在安全、预防犯罪、医疗监控等领域发挥着重要作用。人体运动过程中肢体的摆动包含了丰富的微多普勒信息。不同的人类活动对应着不同的微多普勒分布。这些差异可以用于对不同的人类活动进行分类。因此,基于图像域的深度学习方法在雷达目标分类识别中得到了广泛的应用。在大多数情况下,通过实际测量获取雷达图像的成本很高,因此在构建大型的雷达图像数据库方面存在一定的困难。而训练有监督的深度学习算法的关键在于带标签数据的规模。针对这些问题,本文对半监督、无监督学习和数据增强在人体运动微多勒特征分类的应用进行研究。同时,通过毫米波雷达实际的测量数据来对分类模型进行性能验证。选用常见的行走、跑动、挥拳、起跳、站立和爬行这六种人体动作进行分类研究。本文的主要工作如下:（1）在数据集构建方面。通过运动捕捉技术获取的人体各关节点的活动数据构建非参数化的人体运动模型,还原人体运动的真实情况得到人体各个部位的运动轨迹,从而得到人体的雷达回波。采用联合时频分析方法从雷达回波中生成微多普勒特征时频图,构建人体运动的训练数据集。类似地,通过毫米波雷达获取实际测量的人体运动的原始回波数据,通过联合时频分析生成微多普勒特征时频图构建测试数据集,用于验证分类模型在真实场景中的性能。（2）在半监督学习方面。实际生活中的图像大多是非欧几里得结构数据,常见的卷积神经网络将输入图像简化为规则的欧几里得结构数据进行操作,因此为了在特征提取时保留微多普勒特征时频图像中更多的有效信息,将分类训练常用的卷积神经网络拓展到图卷积神经网络并实现半监督学习,既提高网络分类性能又能减少带标签数据的需求量。（3）在无监督学习方面。有监督的深度学习方法已经成功地应用于雷达图像中的人体活动分类和模式识别,但考虑到雷达图像相对常见的自然图像,采集成本高且需耗费大量人工对训练数据进行标注,而生成对抗网络（GANs）能生成大量与原始图像相似分布的图像。通过GANs对训练数据集进行扩充,再将无监督学习引入到人体微多普勒特征分类进行研究。