随着交互技术的变革,手势交互以一种更加自然、直接的方式实现用户与机器之间的指令传递和信息交换,提高了交互过程中的用户体验和效率。同时,凭借高分辨率雷达在有效感知微小目标运动、不易受环境变化影响和避免隐私泄露等方面的优势,基于高分辨率雷达的动态手势识别方案能够广泛地应用于游戏互动、智能家居和智能驾驶等应用场合,具有广阔的应用前景。手势类别的多样性和用户执行的差异性导致了动态手势在准确识别上的困难。此外,实时场景的应用需求也对手势识别的低时延性能提出了进一步的挑战。本文围绕上述问题进行了基于高分辨率雷达的动态手势识别方法研究,其主要内容包括:首先,研究基于雷达的手势运动数据流的获取和预处理方法。通过对雷达的系统结构和信号处理流程进行分析,构建适用于雷达感知的动态手势库。在此基础上对获取的手势运动数据流进行预处理,包括系统噪声和背景干扰的抑制与消除、有效运动数据段的检测分割,为后文的手势特征提取以及识别模型的构建奠定坚实的基础。其次,研究基于太赫兹雷达系统的微小动态手势准确识别方法。基于手势运动过程中产生的距离-多普勒图序列,通过提取其低维投影的对角剖面特征来表征微小手势运动变化,并进一步降低数据负载,以此构建卷积神经网络来实现微小手势的准确识别。最后,研究基于高分辨率雷达下的动态手势早期识别方法。针对特殊场景下对于手势早期识别的低时延需求,提出一种CNN-GRU架构的手势早期识别框架。通过对手势早期重要运动特征的修正,并引入对手势运动过程建模的损失函数,促使识别框架在早期触发策略下尽可能早地输出正确手势类别标签。实验结果表明,相比较于完整的手势序列识别,该方法能够在下降1.7%的识别精度条件下获取69.47%的时间节省。同时,该方法在毫米波雷达和太赫兹雷达上具有一致的手势早期识别性能。