人体活动检测与识别是物联网领域的热门研究方向之一,具有重要的理论与应用价值。虽然基于视频和可穿戴传感器的活动检测方法已经取得了较高的准确率,但仍存在较强的使用限制和成本问题。而基于Wi-Fi信号的方法突破了传统方法的局限性,能够在无光照和遮挡的情况下使用,不涉及用户隐私,且成本低廉易进行大规模部署,因此被广泛应用在人体活动识别领域。基于Wi-Fi信号的方法分为基于接收信号强度指示（Received Signal Strength Indication,RSSI）方法和基于信道状态信息（Channel State Information,CSI）方法。与RSSI相比,CSI拥有更细腻的信息,能够更好的描述人体行为,从而可以使识别模型达到更高的准确率。本文对深度学习应用在基于CSI信号的人体活动检测与识别任务中的相关性能和机理展开了研究分析。首先,提出了一种基于时间域注意力机制的长短时记忆（Long Short-Term Memory,LSTM）网络的人体活动检测与识别方法。利用LSTM网络强大的时序信号特征提取能力,通过引入注意力机制对隐藏层提取到的特征进行时域上的加权,使得有活动时对应特征权重增大,无活动时对应特征权重减小,能够更好地表达人体活动导致的CSI信号在时间上的变化特征。本文通过实验验证,引入注意力机制后的LSTM网络在WAR数据集上收敛性更好,准确率更高,最高可以达到97.5%,比单独使用LSTM网络准确率提升了4.5%左右。其次,提出了一种基于CSI无线电图像的注意力卷积神经网络分类器。通过将CSI信号转换成无线电图像,并采用下采样策略得到更多的图像样本,提高深度网络的泛化性能。通过对不同的卷积神经网络进行实验比较,最终确定使用ResNet18作为基本网络模型。由于图像中大部分区域的人体活动信息不明显,本文在ResNet18中引入卷积注意力模块（Convolutional Block Attention Module,CBAM）,从空间和通道两个维度更好地提取活动特征。实验结果表明,所提方法在WAR数据集上可以达到96.9%的准确率,保证了准确率的同时降低了数据预处理的难度,大大降低了模型训练时间。最后,针对目前公开的CSI数据集普遍较小,导致深度网络泛化误差偏大的问题,提出了一种无线电图像的人体活动识别深度迁移学习方法。本文将在拥有千万张图像的ImageNet数据集上预训练好的ResNet18网络模型参数作为本文所用网络模型的初始化数值,再通过训练对模型进行微调。通过实验验证,对网络模型进行微调之后,模型的准确率得以进一步的提升,并且模型收敛更快。同时,为验证模型的泛化能力,本文参照WAR数据集采集数据的方式,在三个不同的室内环境下进行了数据采集。通过实验验证,在自己采集的不同环境的数据集上,模型依然具有很高的准确率,均可以达到98%左右,从而验证了所提模型具有较好的泛化能力。