驾驶员监控系统可有效提供有关驾驶员注意力、车辆操纵和控制状态等参数的重要信息,而识别系统往往都需要专用的高成本设备才能达到识别性能。现如今,除了使用传统的摄像头或可穿戴设备,用于驾驶员状态和手势监控方面等无线技术也得到了广泛的关注。由于WiFi信号的细粒度信道状态信息（CSI）的普遍存在,受此启发,我们利用WiFi设备,实现不需要携带硬件设备的低成本驾驶员状态和手势识别,此外,该方法不需要特殊的硬件支持。本文基于WiFi-CSI的驾驶员行为识别和手势识别方法,提出了以下三种的模型:（1）高效监测驾驶员注意力是否集中的图像特征提取方法。本文提出了一个有效的射频图像特征表示方法,可以减少分类算法的计算复杂度。当前基于WiFi信号的射频图像表述方法日益增多,并有着较好的性能表现。然而射频图像特征的主要缺点在于计算复杂度会随着图像中不相关信息的增长呈指数增长,如何从射频图像中选取合适的特征减少计算资源浪费、提升系统计算效率仍然是值得解决的问题。本文探索了一种高效射频图像处理方法,通过有效计算射频图像特征解决驾驶员活动监控问题,同时从射频图像中提取了高性能的Gabor特征和灰度统计特征的图像特征。实验结果表明,该方案的计算效率高,识别效果好,所提出的模型在识别驾驶员的注意力状态方面可以达到93.1%的准确度。（2）驾驶员的行为识别相关的多层分类模型。本文提出了一种相比于经典的单层分类具有更强扩展性的多层分类模型。传统基于单层分类模型算法实现的人类动作识别方法无法保证在复杂车内环境下仍然具有最佳性能,我们提出的方法中,通过WiFi信号CSI获得更好的驾驶员车内活动识别性能,并对多个分类器按照层次结构进行了排序。该方法可用于识别驾驶操作、驾驶员注意力分散和疲劳程度的分类问题,其平均识别准确度为91.5%。同时,本文研究了基于稀疏最小二乘的支持向量机与贝叶斯似然估计的算法,从而更好地区分不同的动作类别。仿真结果表明,提出的模型能够以更小的计算资源换取更高的识别性能。（3）驾驶员手势识别的集成分类算法。本文展示了一个WiFi的手势识别系统,可用于控制车辆的辅助功能,保证驾驶员集中注意力。现有车载手势识别的相关研究主要集中在传感器,雷达或相机上,它们在实际应用中都存在着局限性。同时,传统的无设备室内动作识别技术在车内环境较为复杂时通常不适用,因此,提出了新颖的基于WiFi的手势识别系统,利用集成的分类模型准确地识别驾驶员的手势以控制车载信息娱乐系统。本文基于稀疏表示系数推导的最近邻均值属性,计算性能较高。实验结果表明本研究所提出算法的性能优于传统方法,平均识别精度达到90.6%。为了保证结果的可靠性,本文采用了不同的评价指标,即识别精度和计算时间,通过对上述模型的实验研究可得出结论:有效的特征提取以及分类算法对于提高动作以及手势识别准确度起着至关重要的作用。同时,本文所提出的基于WiFi的无设备识别系统主要对驾驶员行为进行监控,可解决驾驶员的动作和手势识别问题,有效地减少计算资源浪费,相较于传统算法提高了监控性能,克服驾驶员的视觉注意力分散问题。同时,该识别系统也是一种普适得解决方案,可以通过较小的计算量下解决无设备下的动作以及手势识别问题。综上所述,本文提出了一种实现监测驾驶员状态、手势识别的方案,具有通用性强、成本低、精度高、执行时间短等优点。