基于微多普勒雷达的人类活动识别可用于许多领域,例如睡眠监测,老人护理,人机交互和反恐监测等等。但是现有的分类算法从雷达数据的表示方式、特征提取和分类识别分析仍然存在许多不足。到目前为止,几乎所有的分类算法对基于雷达的动作进行识别都先对原始数据进行短时傅里叶变换（short-time Fourier transform,STFT）,原始的雷达数据就表示为频谱图。然后用手工的方式或者用神经网络对频谱图进行特征提取,最后用分类器进行分类。该过程分为两步并不是真正意义上端到端的深度神经网络。短时傅里叶变换是一种固定的变换方式,把原始雷达数据从振幅-时间域表示到频率-时间域。该过程是对信号进行频谱分析的过程,不是为了对雷达数据进行分类而特定设计的变换过程,因此雷达数据的最优表示会受到该过程的限制。可能存在表示方式把雷达数据表示到更利于动作的分类的其他空间,而不是时频域空间。在本文中,我们设计了一个端到端的神经网络,它结合了数据表示,特征提取和分类识别三部分。网络的前部分用两个一维卷积层替换短时傅里叶变换过程,使得特征表示过程变得可训练,从而训练出更利于动作分类的特征表示方式,提高分类的准确率。对基于微多普勒雷达的人类动作进行识别还存在一些问题,用于分类的神经网络都是二维卷积神经网络。虽然这些方法有较高的分类准确率,但是它们的计算复杂度高,功耗大。这些方法都把频谱图视为普通的光学图像,但是对于雷达数据来说,频谱图的每一列像素点可视为一维的时间向量,列与列之间有较强的时间相关性。而对普通图像来说像素与像素之间存在较强的空间相关性。因此,把二维的频谱图视为普通的光学图像,然后用二维的卷积神经网络进行分类并不是最佳选择。一维的神经网络有更好的提取时间相关信息的能力。在本文中,我们针对微多普勒雷达数据设计了一个全一维卷积的神经网络。该网络包含多尺度技术,密集连接技术和通道压缩技术用于提高网络的性能。它不仅提升了基于雷达数据动作的识别精度,还使得计算复杂度保持在较低水平。