呼吸是人体的重要生命活动之一,它可以提供与人类健康有关的重要信息。对于呼吸频率和呼吸状态的准确检测有助于预防和识别肺、呼吸道和支气管等部位的病变。临床上,目前常用的呼吸检测系统大多是接触式的,测量设备需要与人体直接接触,从而获得与呼吸相关的信息。然而这种接触式的检测方法具有一定的强迫性,通常会让使用者感到不适。另外,这些接触式设备不仅不易操作,维护费用也比较高,不适合大规模推广使用。因此,研究成本低廉且对使用者无创伤的非接触式呼吸检测技术具有重要的意义。在此背景下,论文围绕无接触的呼吸频率估计和呼吸状态识别展开研究,利用测量得到的接收信号强度(Received Signal Strength,RSS)信息和信道状态信息(Channel State Information,CSI),实现对目标呼吸的准确检测,论文主要工作包括以下几个方面:(1)针对接触式呼吸检测系统的不足,本文利用相关硬件平台,分别搭建了基于zigbee的2.4GHz频段呼吸测量系统,基于Si4463的915MHz频段呼吸测量系统,和利用Intel 5300网卡的5GHz频段呼吸测量系统。利用三个频段非接触式呼吸测量系统,实现低成本的呼吸数据采集。(2)针对呼吸频率估计,本文利用上述三个频段采集到的呼吸数据对被测目标呼吸频率进行估计。首先,使用独立成分分析(independent component analysis,ICA)方法对采集到的数据进行预处理以减小噪声的影响,接着利用压缩感知频率估计方法得到较准确的呼吸率。在此基础上,针对身体运动对呼吸检测产生的不利影响,利用波动指数特征确定运动干扰时间段,提高呼吸检测准确率。(3)通过分析多个子载波(或多条链路)的信号变化,给出二维呼吸特征,在此基础上提出两种呼吸状态识别方法。第一种方法利用二维呼吸图像的纹理特征,进行相似度的判别,判断出对应的呼吸状态;第二种方法利用循环神经网络(Recurrent Neural Network,RNN)对采集到的不同呼吸状态数据进行分类识别操作。最后总结了本论文的研究工作,并对现有工作中的不足进行了归纳,也对不足之处提出了改进意见,以便在今后的研究中进行完善。