El reconocimiento de actividades humanas (HAR) es un campo importante en la aplicación del radar de ondas milimétricas. Los HAR basados en radar suelen utilizar firmas de Doppler como datos primarios. Sin embargo, algunas actividades humanas comunes y similares presentan características similares que son difíciles de distinguir. Por lo tanto, la identificación de actividades similares es un gran desafío. Dado este problema, en este documento se propone un método de reconocimiento basado en redes neuronales convolucionales (CNN), memoria a corto y largo plazo bidireccional (BiLSTM) y mapeo de activación de clase (CAM). El espectrograma se forma procesando la señal de eco del radar. Las características de alta dimensión se extraen mediante CNN, y luego los vectores de características correspondientes se alimentan en el BiLSTM para obtener los resultados de reconocimiento. Finalmente, se utiliza el mapeo de activación de clase para visualizar el proceso de reconocimiento de decisiones del modelo. Basándose en los datos de cuatro actividades similares de diferentes personas recopilados por radar de ondas milimétricas, los resultados experimentales muestran que la precisión de reconocimiento del modelo propuesto alcanzó el 94.63%. Además, los resultados de salida de este modelo tienen una fuerte robustez y capacidad de generalización. Proporciona una nueva forma de mejorar la precisión del reconocimiento de posturas humanas similares.