基于无线网络的被动定位和行为识别技术(Device-Free wireless Localization and Activity Recognition,DFLAR)是近年来提出的一种新兴技术。该技术在目标不需要携带任何设备的条件下,仅利用目标对无线网络的遮蔽效应对人体进行智能感知,使传统的用以通信的无线网络演进为具有人体位置和行为感知能力的智能网络,在智能空间、智慧城市、智能家居等方面具有广阔的应用前景。DFLAR问题是一种模式识别问题,从测量数据中提取的反应目标对无线链路信号影响模式的特征分量对最终的识别效果至关重要。传统的研究方法从测量信号中提取时域或者频域特征来表征人体对无线链路的遮蔽效应。为了进一步确定目标对无线链路的影响模式,本文探索了采用小波分解将测量数据分解到不同的频带,提取两个低频带的过零点数,方差和能量等包含时频域信息的特征。与传统方法相比,基于小波变换的DFLAR系统能够显著提高位置估计和行为识别的性能。无论是传统的特征提取方法还是基于小波分解的特征提取方法,均需要针对具体的问题手动设计特征,这些特征在场景发生变化或者目标进行不同的行为动作时不具有普适性。为了解决该问题,本文采用了基于深度学习的网络模型自动的学习完备的特征表达来实现DFLAR。具体地,文中采用一种稀疏自编码网络自动的从信号中学习特征,并结合softmax回归模型微调整个网络实现分类。得益于深度特征的精细描述能力,本文基于提取的信号深度特征探索了人体更加细粒度行为对无线信号的影响模式,不仅实现了对目标进行定位和行为识别,同时实现了对目标的手势识别,增加了DFLAR系统的智能感知范围。本文在两套硬件测试平台下,选取不同的实验场景进行了大量的实验。实验结果表明,基于小波分解提取的特征分量从时频域对原始信号进行表达,因此,比传统特征在目标定位和行为识别方面性能要好,对复杂场景的适应能力也更强;基于深度学习网络自动提取的特征相对于手动设计的特征,不仅可以节省时间、人力,提取的特征更加鲁棒,而且,对不同的实验场景具有普适性,即使在具有挑战性的环境下也能取得较好的分类效果。