雷达目标不同部件运动状态的差异使得其回波信号中存在特异性的多普勒调制信息,即微多普勒现象。基于微多普勒特征的目标识别技术并不要求雷达具有非常高的距离分辨率,随着毫米波雷达成本的下降以及民用雷达市场规模的迅速增长,这使其作为新兴领域和研究热点应用于民用车载毫米波雷达具有很好的性价比。本文研究了基于目标微多普勒特征的民用雷达目标识别技术,通过建立行人回波信号仿真模型,对特征提取方法进行调研和设计,使用支持向量机(SVM)和隐马尔可夫模型(HMM)理论探究了人车识别场景中的信噪比、驻留时间、目标速度大小及方向等因素对分类精度的影响,并对低信噪比数据的降噪和可能存在的数据丢失重构技术进行了研究。主要工作概括如下:设计了两类人车识别流程:基于回波信号时频谱的独立同分布特征点提取方法,SVM分类以及基于回波信号时频谱的时序特征提取方法,HMM拟合。仿真实验结果表明,目标速度方向、大小和驻留时间、信噪比对SVM和HMM分类影响差异较大,但在一般条件下,SVM和HMM的不同目标分类精度均分别在95%和99%以上。信号的降噪处理可以改善低信噪比下的分类精度,增加目标识别的鲁棒性;当信号存在数据丢失时,采用重构技术再进行目标识别可以得到更好的识别结果。主成分分析(PCA)是基于信号空间理论的数据降维去噪方法;稀疏表示(SR)将低维信号映射到高维空间中的一个稀疏向量,经典算法如基追踪、正交匹配追踪等,字典的选择可以是选定的或者自适应的,采取适当的正则化手段可对信号进行降噪和重构处理;压缩感知(CS)引入了感知矩阵的限制等距条件,统计压缩感知(SCS)在数据丢失率不高时可以无失真地重构原始信号概率分布的参数。仿真实验结果表明PCA和PPCA-BIC均能提升高驻留时间样本的SVM分类精度和低信噪比样本的HMM分类精度,PPCA-BIC的降噪方法相对于PCA有明显的优势,PCA可能会降低低驻留时间高信噪比样本的SVM分类精度。SCS在信号数据随机丢失率为0.6和0.8时都能取得不错的效果,且在数据随机丢失率为0.8时基本能够无损重构信号,具有很好的实用价值;基于K-SVD的自适应字典学习算法在处理高维信号时应用困难。