1.基于机器学习的毫米波雷达材质识别方法，包括如下步骤：

步骤1、使用毫米波雷达传感器采集目标包络信息：毫米波雷达传感器接收所测立体扇形区域不同材质的物体在不同距离下返回的电磁波包络，包络中数据包括距离、信号强度、相位和幅度；

步骤2、对电磁波包络去噪，为去噪后的数据进行手动标记生成样本库：对去噪后电磁波信号进行手动标记，对于毫米波雷达具有不同距离的相同目标标记为一个样本，对每个样本进行分类划分阈值区间，形成样本库；样本库中包含训练样本、测试样本和交叉验证样本；

步骤3、构建机器学习分类器：用朴素贝叶斯算法或卷积神经网络模型构建机器学习分类模型：步骤3.1、假设共有m个目标，确定每个目标个体的特征属性，构成一个待分类项特征向量；其中特征属性为步骤1中记录的包络信号特征属性向量；步骤3.2、获取训练样本类别集合，对每个类计算训练样本中待分类项的概率；步骤3.3、获取交叉验证样本，对训练样本类别集合中的每个类计算交叉验证样本待分类项的概率，比对交叉验证样本待分类项的概率和训练样本待分类项的概率，设置误差阈值，分类结果在阈值内认为分类准确，最终再用测试样本测试分类器的泛化性；

步骤4、通过毫米波雷达测量传感器到物体间的距离，再结合机器学习分类器判断物体材质；

步骤4具体包括以下步骤：

步骤4.1、通过毫米波雷达测量传感器到物体间的距离，并记录此时返回包络中的信号强度、相位和幅度；

步骤4.2、将此时物体信号强度、相位和幅度与数据库中对应距离下的数据进行比对，得到类别范围；

步骤4.3、对类别范围内的每个类别计算待识别物体概率，概率最大项为待识别物体所属类别；

或者，步骤4具体包括以下步骤：

步骤4.1、通过毫米波雷达传感器获得待测物体数据，测量传感器到物体间的距离，并保存波形作为待测物体材质的特征图；

步骤4.2、通过训练好的卷积神经网络分类器将此时物体信号强度、相位和幅度与数据库中对应距离下的数据进行比对输出分类，训练好的卷积神经网络自动识别输入特征图中的各属性值，得到材质识别结果。

2.如权利要求1所述的基于机器学习的毫米波雷达材质识别方法，其特征在于：所述步骤2中，通过小波阈值法对原始电磁波信号去噪，选取软阈值函数为公式1：其中γ表示小波系数，θ为给定的阈值， σ＝MAD/0.6745,MAD为首次尺度变换分解系数绝对值的中间值，N为信号长度。