随着人工智能的快速发展,人体动作识别技术备受人们的关注,传统的动作识别技术是基于可穿戴传感器设备来实现,然而可穿戴传感器受到成本和隐私等条件的限制。基于无线信号的动作识别技术吸引了研究者们关注,该方法普及性较强,而且具有成本低、隐蔽性强、环境适应性强等优点,可以与传统的动作识别方法进行功能互补,从而达到更理想的识别效果。通过分析无线信号的信道状态信息(Channel State Information,CSI),可以对人体动作较准确地进行识别。本文主要研究如何提高基于CSI的动作识别性能,主要工作和内容如下:1、本文提出一种基于视觉方法对人体动作数据进行特征提取的方法。我们的分析发现,将去噪处理的CSI数据转换成图像后,同类别的动作图像具有相似的纹理,而不同类别的动作图像纹理差异比较明显。因此,本文提出使用Gabor和尺度不变特征变换等方法来提取能够反映图像纹理的相关特征。将采集的CSI数据经过传统时域方法和基于视觉方法两种方法提取到的特征值加入支持向量机模型进行分类训练,可以有效地提高动作识别准确率。2、针对基于CSI动作识别中容易采信未标记数据的情况,本文提出基于流形和Hessian正则化的SVM半监督模型。流形可以促使距离相近的样本分配相似的标签,Hessian则可以将部分的未标记数据转换为标记数据并与原标记数据一起进行模型训练。本文将这两个规则以正则化项的方式引入SVM模型,形成一个新的半监督模型。本文将提出的改进分类模型与传统支持向量机模型进行分类实验对比,实验结果表明,改进的分类模型可以明显特高动作识别性能。