Die Erkennung verdächtiger menschlicher Aktivitäten stellt eine zentrale Anforderung im Bereich der nationalen Sicherheit dar. In der heutigen Zeit gewinnt die Entwicklung tiefen neuronalen Netzwerke (Deep Convolutional Neural Networks, DCNN) zur Klassifikation menschlicher Aktivitäten auf Basis von Mikro-Doppler-(m-D)-Signaturen zunehmend an Bedeutung. Allerdings beschränken hohe Rechenkosten und eine große Anzahl an Parametern deren direkte oder effektive Anwendbarkeit in Feldumgebungen erheblich. In diesem Artikel wird ein neues m-D-Signatur-Datensatz „DIAT-μRadHAR“ vorgestellt, der Aktivitäten wie Armee-Kriechen, Boxen, Springen mit Waffe, Armee-Joggen, Armee-Marschieren sowie Steine-Werfen/Granaten-Weitwerfen umfasst und mithilfe eines X-Band-Continuous-Wave-(CW)-Radar-Systems generiert wurde. Darüber hinaus wird ein leichtgewichtiges DCNN-Modell, „DIAT-RadHARNet“, vorgestellt, das speziell für die Klassifikation verdächtiger menschlicher Aktivitäten konzipiert ist. Um die Rechenkosten zu senken und die Verallgemeinerungsfähigkeit zu verbessern, wurde DIAT-RadHARNet gemäß vier Designprinzipien entwickelt: tiefenweise separable Faltungen, kanalbasierte Gewichtung (Channel Weighting, CHW) auf Basis der Relevanz, unterschiedlich große Filter im tiefen Teil sowie die gleichzeitige Anwendung unterschiedlich großer Kerne auf denselben Eingabetensor. Das Netzwerk verfügt über insgesamt 213.793 Parameter und 55 Schichten. Unsere umfassenden experimentellen Analysen zeigen, dass das DIAT-RadHARNet-Modell die Aktivitäten mit einer Genauigkeit von 99,22 % effizient klassifiziert und dabei minimalen Anteil an falsch-positiven und falsch-negativen Ergebnissen aufweist. Die Zeitkomplexität des vorgeschlagenen DCNN-Modells betrug während der Testphase 0,35 Sekunden. Die gleiche Genauigkeit und Zeitkomplexität werden auch unter ungünstigen Wetterbedingungen, in schlecht beleuchteten Umgebungen sowie bei langen Distanzen erreicht.