毫米波雷达以较低的环境要求和较高的距离分辨率在军用和民用上得到了越来越广泛的应用。路面动目标的准确识别对交通监控和交通指挥调度起着重要作用,在智慧交通中扮演着重要的角色。本文研究了时频图和雷达散射截面积(RCS)的识别性能,完成了路面动目标的识别任务。本文开展了如下几项工作:(1)建立了目标运动信息获取模块。目标的运动信息是构建目标回波信号所必不可少的条件,准确的运动信息可以使回波信号更加符合真实环境。本文介绍了两种获取目标运动信息的方法:数学模型和运动捕捉文件,并且分别使用数学建模和运动捕捉文件获取了人和狗的各个肢体部位在一段时间内的运动信息。本文分析了人体肢体的相互遮蔽效应,建立了更加严谨的人体运动仿真模型。(2)建立了雷达仿真模块。雷达仿真模块利用目标的运动信息和雷达参数构建出目标的回波信号。该模块首先将RCS引入线性调频连续波的回波模型,并且对该回波模型进行分析,解释了锯齿波信号的距离速度耦合现象。接着利用距离-多普勒处理方法进行信号处理,解决了距离速度耦合问题,去除了静止目标,提高了速度分辨率。最后通过仿真实验对距离多普勒处理方法的性能进行验证。(3)分析了多种时频图提取方法的优缺点。时频图是识别目标种类的重要特征之一,可以从雷达回波信号中提取出来。本文首先介绍了短时傅里叶变换(STFT)、伪魏格纳-维勒分布(PWVD)、S方法和平滑伪魏格纳-维勒分布(SPWVD)等时频分析方法的原理,对这些方法的优点和存在的问题进行分析和仿真。接着利用这些方法获取人体运动的时频图,并对时频图上的几个重要特征进行介绍。随后提出了一种基于曲线拟合的时频图校正方法,使得目标主散射点的多普勒频移能保持在零频附近,还使用归一化方法使得时频图的特征更加清晰。最后介绍了本文使用的毫米波雷达硬件平台,对实测数据的处理过程进行了详细的说明,得到了实测数据的时频图。(4)结合深度学习方法实现了目标的识别分类。本文首先介绍了神经网络的基本单元和基本结构,对卷积神经网络(CNN)的基本原理进行概述,重点解释了各个层和反向传播算法的作用和原理。随后通过实测数据获得了基于微多普勒和CNN的识别方法的识别性能。接着采用支持向量机(SVM)对RCS进行处理,得到了基于RCS和SVM的识别方法的识别性能。最后提出了基于微多普勒与RCS融合的识别方法,并且通过实测数据验证了该识别方法的优良性能。