人机交互在人类的科技生活中占据着重要的位置,其中,手势交互以其自然、直观等特性在智能家居、体感游戏、可穿戴设备等领域有着十分广阔的应用前景。目前,比较成熟的手势识别技术都是基于视觉以及惯性传感器。然而,基于视觉的手势识别方案受光照条件影响很大,基于惯性传感器的识别方案则需要给用户手部佩戴额外的传感器,具有极大的不便携性,严重影响用户的使用体验。基于雷达的手势识别系统无需人体佩戴额外的传感器且不受光照条件影响,可以全天候正常工作,并且雷达信号具有良好的穿透性。与基于低频段无线信号的手势识别系统相比,毫米波雷达传感器易于小型化,可以嵌入到设备内部,极大地提高设备的集成度和可靠性。同时,毫米波信号由于其极短的波长对微小动作的捕获能力更强,可以有效识别手指的细微动作。针对以上问题,本文提出了一种基于77GHz毫米波雷达的手势识别系统,对其中的关键技术进行了深入探究,构建了完整的手势识别系统。本文主要完成的工作有:(1)从实际场景出发,完成了雷达信号的设计以及动态手势数据的采集和预处理。首先,根据实验场景以及预定义的手势动作设计FMCW雷达信号,对回波信号进行预处理得到有效的手部动作信息,消除环境噪声等干扰信号对手势信号的影响。(2)对手势的特征提取进行分析与研究。动态手势是手以及手指在连续时间内的运动组合,不同的动态手势动作对雷达信号的调制是不同的,基于经典的时频分析方法,本文利用短时傅里叶变换的技术,从回波信号中提取表征动态手势唯一性的微多普勒特征,构建手势特征集。(3)对手势的分类模型进行研究,提出一种浅层的卷积神经网络分类模型对手势特征集进行识别。分类网络采用非深层的结构既减少了模型大小还有效提高样本的识别速度,为未来布局在可穿戴设备和移动设备中提供可能。(4)本文提出了多种实验场景的设计,探究不同环境因素对手势识别准确率的影响,并进一步提出一种基于Inception并联结构的卷积神经网络模型对全场景手势集进行识别,在保持结构简单的同时有效提升识别准确率。根据实际的测试场景,本文提出的基于77GHz毫米波雷达的手势识别系统,能够在较少量样本的条件下有效识别九种预定义的常见动态手势动作,具有良好的识别准确度以及识别速度,为后续的人机交互研究提供了新的思路。