1.一种基于迁移深度神经网络的人体行为微多普勒的分类识别方法，其特征在于，包括以下步骤：1)对雷达回波进行杂波抑制，得到杂波抑制后的雷达回波；2)对杂波抑制后的雷达回波进行联合时频分析，得到目标回波的时频谱；3)确定深度神经网络的网络结构；4)利用自然图像数据库进行深度神经网络参数的迁移训练；5)利用训练后的深度神经网络，结合目标回波的时频谱进行监督学习，监督学习得到的最终网络即为适用于人体行为识别的分类器；适用于人体行为识别的分类器的代价函数C的表达式为：C＝-1n∑ i [βlnα+(1-β)ln(1-α)]+λH(i)；其中，n表示“快时间”，即距离分辨单元的序列，i为雷达回波图像类别，β为i类雷达回波图像对应的标记值；α为分类器的预测值，λ为权重系数，H(i)为雷达回波图像熵； (x，y)表示雷达回波图像中像素点的坐标，I(x,y,i)为第i类雷达回波图像在(x，y)坐标处的像素值；所述雷达回波图像是指雷达回波通过短时傅里叶变化得到的时频谱图。
2.根据权利要求1所述的基于迁移深度神经网络的人体行为微多普勒的分类识别方法，其特征在于，杂波抑制后的雷达回波z(m,n)的表达式如下：z(m,n)＝d(m,n)-b(m,n)＝d(m,n)-w T (m)D(m,n)；其中，b(m,n)＝w T (m)D(m,n)为自适应相消处理过程中的背景信号，通过对输入数据矢量进行加权得到；D(m,n)＝[d(m,n),d(m-1,n),…,d(m-L,n)] T 为输入数据矢量；m表示“慢时间”，即脉冲序列；d(m,n)表示雷达回波的第m个脉冲在第n个距离单元上的数值；w(m)＝[w 0 (m),w 1 (m),…,w L (m)] T 为权系数矢量，L为加权处理时的脉冲序列宽度；[w 0 (m),w 1 (m),…,w L (m)] T 是对消器对输入数据进行加权的权值，根据实际对消器的类型进行确定。
3.根据权利要求1所述的基于迁移深度神经网络的人体行为微多普勒的分类识别方法，其特征在于，所述深度神经网络的网络层数设定为18层。
4.根据权利要求2所述的基于迁移深度神经网络的人体行为微多普勒的分类识别方法，其特征在于，对于两脉冲对消器，脉冲序列宽度L取2，w(m)＝[0 1] T 。
5.根据权利要求2所述的基于迁移深度神经网络的人体行为微多普勒的分类识别方法，其特征在于，对于三脉冲对消器，脉冲序列宽度L取3，w(m)＝[0 2 -1] T 。
6.根据权利要求2所述的基于迁移深度神经网络的人体行为微多普勒的分类识别方法，其特征在于，对于背景相消器，脉冲序列宽度L对应下式中1的个数：
