室内人体感知技术发展到今天,已经成为人和科技沟通的必备媒介。目前基于信道状态信息(Channel State Information,CSI)的室内人员行为感知方面的研究正发展得如火如茶。通过大量研究已有的检测方法,室内人体感知在检测率、稳定性、健壮性等方面仍需提升,具备低成本、高效率、高实用性特点的被动式室内人体感知应用是当前人们最为迫切的需求。利用商业无线(Wireless Fidelity,Wi-Fi)设备中获取的CSI信号进行室内人员检测,是一个较为理想的解决方法。本文研究针对室内人员行为检测目前存在的一系列问题,比如,检测方法的整体性能不稳定、在不同场景中检测效率低等,提出了基于CSI信号的无源室内人员行为检测方法。通过在Wi-Fi设备中采集CSI信号,对原始信号进行相应的预处理,再进行实时检测。最后,在不同环境、不同测试人员、不同算法等方面进行实验结果的分析。实验结果表明,与现有方法相比,本文的研究方法具有更高的检测率,更好的综合性能和更高的鲁棒性。主要工作如下:(1)提出了一种基于SVM和Kalman滤波的人员行为检测方法,分为离线阶段和在线阶段。离线阶段主要是在两种实验环境下采集原始信号,再使用卡尔曼滤波(Kalman)算法剔除异常值,得到有效特征值之后利用持向量机(Support Vector Machine,SVM)建立分类模型,利用粒子群算法(Particle Swarm Optimization,PSO)修正参数,最后,建立指纹库。在线阶段主要是在不同实验环境中实时采集数据,做相应处理后进行数据匹配。(2)提出了一种基于多区域多动作的人员行为检测方法,分别在视距场景、非视距场景和隔墙场景进行实验。第一阶段通过采集不同时段的CSI原始数据包,利用主成分分析(Principal Component Analysis,PCA)算法和卡尔曼滤波算法对原始CSI数据预处理,建立指纹数据库。第二阶段,对数据进行分类,将处理后的数据与指纹数据库中的数据相匹配。(3)为提高室内人员状态检测的整体性能,提出了一种基于5GHz的人员日常行为检测方法(HDFi)。本文实验在环境复杂的实验室以及相对空旷的会议室进行。提取特征较为明显的振幅和相位数据,并且使用低通滤波对信号特征进行处理,然后有效建立指纹库。最后,进行实时检测,建立一个室内人员日常行为检测的分类模型,再与指纹库中的数据进行匹配。