因重物倒塌致人体机械性损伤是地震等灾害发生后的常见伤类。有研究表明,遭受机械性损伤的伤员常常因罹患挤压综合征而在重物移除后致使其伤情突然加重甚至于死亡,故而在搜救中提早获悉被压埋人员的挤压生命状态是至关重要的。相较于可见光或热成像等传统灾后搜救设备,生物雷达可以利用电磁波在间隔一段距离、穿透非金属障碍物的条件下,检测因人类心肺活动而引起的生命体征信号,具备可穿透、不受光照、气候等条件影响的优势。因此,若能使用生物雷达在失踪人员搜索阶段就从回波中感知到障碍物后伤员的雷达生命信号并进一步识别出所对应的受挤压状态,便可以科学指导后续救援,有效减少人员的伤亡。本研究围绕上述问题,首先对脉冲超宽带生物雷达的工作原理与雷达原始回波数据进行了分析,针对探测环境中存在的静态背景干扰与电磁衰减现象,开展生物雷达回波预处理方法研究;为实现对探测目标进行径向测距的同时准确获取到对应位置处的人体雷达生命信号,展开了目标距离测算方法研究;并在传统的人体雷达生命信号模型的基础之上,结合灾后伤员的生理特异性,提出了一种改进的灾后伤员雷达生命信号模型。针对生物雷达在穿透探测条件下所检测到的伤员雷达生命信号十分微弱且易受强环境噪声干扰等问题,本研究从多个角度尝试对噪声进行抑制。变分模态分解作为一种完全非递归的信号处理算法,可以通过结合排列熵算法在快速分离各分量的同时实现对噪声的有效滤除,但不合理的参数配置也将会直接影响该算法的性能,因此本研究提出了一种以最大互相关性作为适应度函数的粒子群优化方法对变分模态分解的参数进行迭代寻优。并以加噪后的灾后伤员雷达生命信号模型为对象,对所提出方法的性能进行验证,结果显示经该方法处理后信号的信噪比分别较传统的IIR数字滤波、EMD与CEEMD算法提高了7.5dB、6.4dB与5.2dB。此外针对一段600秒的长数据,本方法较CEEMDAN算法的处理时长又缩短了 86.3%。在非接触式状态识别领域中,为完成对识别网络的训练通常会直接将伤员的雷达生命信号序列作为样本数据进行输入,但这样可能会使数据中的其余特征被忽略,进而导致网络模型无法对数据特征信息进行充分地学习,并进一步影响识别的准确率。因此本研究提出了一种基于雷达生命信号时频图像的挤压伤员状态识别网络模型,该网络以降噪后的伤员雷达生命信号时频图像作为输入,通过多尺度卷积结构提升对数据特征信息的提取能力,并结合残差网络在抑制深层网络退化现象的同时避免信息的丢失与冗余。为验证该网络模型的性能,本研究设计了模拟灾后挤压场景的人体雷达生命信号采集实验,基于对10名处于不同挤压状态（包含受困姿势、压迫类型）下受试者所采集生成的3000余组数据对模型进行训练与测试,结果表明该网络对障碍物后人体所承受挤压状态的识别准确率达到了 92.63%,分别较基于呼吸特征的SVM模型与基于雷达生命信号的1D-CNN模型提高了 4.19%和 6.01%。综上,本研究基于生物雷达硬件设备、雷达回波处理算法以及伤员挤压状态识别网络,设计并实现了一款挤压伤员生命状态探测与识别软件,通过结合多场景实验证明了本软件能够对雷达回波信号中所包含的伤员生命体征信息进行有效提取,进而促使伤员挤压状态识别的准确率得到提升。这有助于及早发现正在遭受机械性损伤并罹患挤压综合征的伤员,同时协助救援人员及时调整施救策略从而减少人员的伤亡。