1.一种基于雷达微多普勒特性和混合多网络的人体行为识别方法，其特征在于，包括以下步骤：

S1：对采集的雷达人体回波信号进行预处理生成多帧下的距离‑多普勒图(RDM)，预处理过程包括2DFFT、背景杂波抑制以及恒虚警率(CFAR)检测；

S2：将NF帧下通过S1预处理后的二维RDM进行多帧积累，通过这种方式可得到人体每个散射点距离和速度随时间帧变化的三维雷达数据，将此三维数据在速度‑时间维度上进行投影，最后逐帧积累生成MDM；

S3：利用CLA(CNN‑LSTM‑Attention)混合多网络从S2构建的MDM数据集中提取MDF特征完成人体行为识别。

2.根据权利要求1所述的基于雷达微多普勒特性和混合多网络的人体行为识别方法，其特征在于：所述步骤S1中雷达接收人体和周围环境反射回来的信号，并与发射信号进行混频，输出的结果是中频信号。

3.根据权利要求1所述的基于雷达微多普勒特性和混合多网络的人体行为识别方法，其特征在于：所述步骤S1中使用2DFFT可得到目标的RDM，RDM可以直观地观察到对应帧下所有人体散射点的距离和速度相关信息。

4.根据权利要求1所述的基于雷达微多普勒特性和混合多网络的人体行为识别方法，其特征在于：所述步骤S1中为了避免人体运动信号掩盖在背景等强干扰的杂波环境中，在零多普勒处放置凹口的带阻滤波器来移除大部分强静止杂波。

5.根据权利要求1所述的基于雷达微多普勒特性和混合多网络的人体行为识别方法，其特征在于：所述步骤S1中为了减少RDM中的无目标区域，节省信号处理时间，使用一种滑动平均‑有序统计的恒虚警率(MAOS‑CFAR)算法来锁定人体运动区域。

6.根据权利要求1所述的基于雷达微多普勒特性和混合多网络的人体行为识别方法，其特征在于：所述步骤S3中将MDM按照时间顺序划分成许多相同时间步长的序列，每个时序之间没有重叠，使用三卷积层的1DCNN扩充通道以获取时序多维度的空间特征。

7.根据权利要求1所述的基于雷达微多普勒特性和混合多网络的人体行为识别方法，其特征在于：所述步骤S3中为了刻画序列的上下关联信息，利用LSTM的长期记忆提取序列间的时间关联特征。

8.根据权利要求1所述的基于雷达微多普勒特性和混合多网络的人体行为识别方法，其特征在于：所述步骤S3中为了缓解LSTM长时间记忆导致网络识别精度下降的问题，引入Attention权重分配机制从LSTM的隐藏状态中聚焦更重要的时间特征。