随着智能无线通信的发展,基于Wi-Fi信号的人体感知技术越来越多地被应用于入侵检测、室内定位导航、手势控制等领域。这项技术极大地方便了人们的日常生活,也推动了无线感知技术的发展。但目前基于Wi-Fi信号的人体行为感知存在计算量大、应用场景单一、鲁棒性差等问题。针对这些问题,本文利用从Wi-Fi信号中提取的信道状态信息（Channel State Information,CSI）来感知人体不同动作行为。根据不同人体行为及不同应用场景,提取最适合的特征,设计不同的数据处理和动作分类方法,从而实现无线、无接触、低成本、高精度的人体行为感知。本文从人体静态行为感知、人体细粒度动态行为感知和人体持续活动感知三个方面开展深入研究。主要的研究工作如下:（1）针对环境中的人员静态行为高精度感知问题,提出了一种复杂环境下的人体静态行为感知方法Wi-FR。离线阶段,首先,在商用路由器上采集人体的健身数据并利用组合滤波器对动作数据进行处理。然后,利用主成分分析（Principal Component Analysis,PCA）算法提取处理后CSI数据的最优子载波,并计算其特征。最后,利用特征数据集构建并训练随机森林（Random Forest,RF）模型。在线阶段,采集到实时人体动作数据,经过处理后提取特征,输入随机森林模型进行分类识别,最后通过多投票机制输出动作识别结果。通过在三种真实场景进行测试,Wi-FR的平均识别率可以达到94.5%,实现了对人体静态行为的感知。（2）针对细粒度动态行为的感知问题,提出了一种在商用无线设备上实现室内人员咳嗽与打喷嚏的感知方法Wi-COS。首先,采集动作数据,进行降噪处理后转换为多普勒频移图像,再利用聚类算法对动作引起的多普勒频移图像进行分割,降低系统的计算开销。然后,提取分割后图像的方向梯度直方图（Histogram of Oriented Gradient,HOG）作为特征输入二维自组织映射（Self-Organizing Map,SOM）网络进行动作的分类与识别。最后,在不同的环境中进行了分析验证,Wi-COS的综合识别率达到了93.1%,实现了低成本高精度的人体细粒度动态行为感知。（3）为了解决人体持续活动行为的高鲁棒感知问题,提出了一种基于Wi-Fi信号的非接触式室内人员持续活动感知方法Wi-CASE,该方法可以对居家隔离人员的连续活动进行感知。离线采集单个的动作数据,经过降噪处理后提取其Tamura纹理特征构成样本集,并将其输入极限学习机（Extreme Learning Machine,ELM）中处理为动作指纹,构建离线日常动作指纹库。在线阶段,使用动态时间规整（Dynamic Time Warping,DTW）算法对实时采集的连续活动数据进行匹配并分割,之后提取其Tamura纹理特征输入训练好的极限学习机中处理为动作指纹,最后将该动作指纹与离线指纹库中的指纹进行匹配,从而对动作进行识别。通过在真实的居家环境中进行全方位的评估,Wi-CASE取得了94.3%的动作识别结果,通过利用两台笔记本电脑作为实验设备,实现了低成本,高精度,高鲁棒性的人体持续活动行为感知。综上所述,本文针对三种不同种类的人体行为分别提出了对应的高精度感知方法并在真实的环境中进行大量的验证。实验结果表明,本文提出的三种方法具有较高的识别精度,并且在不同的环境中均有较好的识别性能。本文的研究也为基于Wi-Fi信号的人体行为感知问题提供了一种低成本、高精度、高鲁棒性的解决方案。