雷达传感器具有全天时全天候工作、非接触式等优点,可用于人体非侵入式的侦察监视,正逐渐成为城市反恐、远程健康监测等领域的重要感知手段。其中低频雷达可以实现穿透墙壁探测人体信息,但其微多普勒时频信息模糊,区分难度高。而深度学习的兴起使低频雷达具有区分那些在视觉上无法分辨的微多普勒时频特征的潜能。本文以低频段多发多收（Multiple-Input Multiple-Output,MIMO）超宽带（Wave Ultra-Wideband,UWB）步进频连续波（Stepped-Frequency Continuous,SFCW）雷达为基础,重点研究基于卷积神经网络（Convolutional Neural Networks,CNN）下的人体行走、坐下、跌倒三类行为的动作分类。本文首先研究了低频雷达的数据集获取。根据Boulic人体模型建立了以SFCW为发射信号的雷达回波模型,建立了雷达信号的基本处理流程,对比了微多普勒时频分析方法,研究了不同数据域上人体动作的时频特征提取,利用仿真及实测数据实现了基于低频雷达的数据集获取。其次,研究了雷达数据集的预处理和数据集扩充方法。基于深度学习数据集预处理方法,选择了适用于雷达时频图像数据集的预处理方法。基于二维时频域尺度变换和子频带微多普勒差异提出了两类数据集扩充方法,并用仿真、实测数据以及在CNN上的训练结果验证了数据集扩充方法的有效性。最后,研究了基于CNN模型的低频雷达人体动作分类。根据CNN模型的框架和每个层级的原理,将低频雷达的人体动作分类任务在Alex Net模型上实现了迁移学习,提出了基于模型整层压缩和单层结构压缩的两种CNN优化设计方法。基于模型优化得到了雷达动作识别网络（Radar Motion Recognition Networks,RMRnet）模型,在实测数据集上达到了99.35%的分类准确率。