近年来,在万物互联的浪潮下物联网技术得到迅速发展,不断创新。其中无线感知已成为人体动作识别领域的核心技术之一,利用无线信号对日常生活中一些动作进行识别,如在摔倒检测、人体行为检测和睡眠监测等方面有较大的应用价值。如今,学生在家学习时间增多,其学习效率难以保证,在没有家长监督的情况下极易受到身边事物干扰,此时需要一个能够辅助父母对学生学习状况进行监控的方法。本文针对以上需求,提出了一种基于WiFi信道状态信息（CSI）并使用卷积神经网络（CNN）的学习状态监测研究方法:Wi-LSM。此方案通过装有Intel 5300无线网卡和Linux 802.11n CSI Tool驱动器的迷你工控机组成AP模式来实现数据收集,通过研究分析人体特征对无线信号传播过程的影响,然后进行相应的数据处理与特征提取。使用深度学习网络对提取的信号进一步训练找出更深层次的特征,建立起无线信号与动作类别相对应的关系,从而实现学习状态的监测。首先,需要对采集到包含大量信息的原始数据进行处理,选取合适的天线获取到的信息作为样本特征。针对使用商用WiFi采集数据出现的丢包现象,为了保证数据完整性,需要通过线性插值对CSI共轭矩阵中缺失的数据包进行填充。通过Hampel滤波器进行异常值消除,然后使用Butterworth滤波函数对高频噪音进行去除,最大程度的保留了数据原始特征。第二,针对于以往相位信息的浪费,在相位方面进行了解卷绕、线性变换和去噪,消除原始相位杂乱与偏移问题。本文把幅值与相位信息进行整合起来作为神经网络样本特征的输入,幅值方面为了获取丰富的时频信息,提取出时域信息后利用小波变换（WT）进一步提取频域信息中更高层的清晰信号。在相位中计算出均值相位差并对其进行去噪分析,把时频域与相位差信息进行联合形成二维矩阵作为输入网络训练的原始特征,进而更可能多的获取有用信息,从而有效地降低运算复杂性,在减少噪声的同时有效地提高了效率。第三,通过加入通道注意力（SENET）多层优化机制后的卷积神经网络模型结合时频域与相位差联合信息进行动作识别,提升了系统的准确性与鲁棒性。通过对比验证表明,实验在室内环境下最佳检测率可以达到96%,有着很好的分类效果。同时,本文提出的基于WiFi信道状态信息的学习状态监测研究方法也具有低成本、易采集和适应能力强等特点,解决了以往运用机器视觉进行学习状态监测的不便,对于使用信道状态信息实现动作识别具有一定的研究意义。