近些年来,随着物联网产业的飞速发展和无线网络的日益普及,涌现出了一大批关于人体行为检测的应用。传统的方法有:摄像头、红外线、可穿戴设备、RFID、ZigBee等,这些方法或需要特殊的硬件设备、或容易受到光线烟雾影响、或存在布线复杂、识别率低等问题,导致其不能大规模的应用。为了克服传统方法的局限性,本文在WiFi感知网络方面做了相关研究,提取了来自物理层更能反映信道特征的CSI,分别在室内入侵检测和行为识别方面提出了一种新的检测方法,主要工作内容如下:(1)深入讨论了关于人体行为检测的几种传统方法,分析了现有方法的局限性引入了基于WiFi信号的检测方法。对WiFi信号的环境特征进行了分析,并将WiFi信号中MAC层的RSS与来自物理层的CSI进行了分析对比,最终选取了CSI作为环境的表征。针对CSI中幅度与相位两种特征信息,通过实验选取了对静态环境具有稳定性和动态环境具有敏感性的幅度信息作为特征。(2)针对环境噪声信号所引起的尖峰干扰、异常值等问题,采用了Kalman滤波的方法对CSI信号进行过滤,得到了良好的预处理效果。针对动态方差算法产生的误报问题,在原有算法的基础上加以改进,设置了一个连续二次窗口,并在不同子载波、滑动窗口值、数据流、滤波器等参数下进行了实验性能分析。仿真结果表明,本文的入侵检测方法检测率可达96%以上,有效的提高了识别精度。(3)针对室内人员行为检测方法的检测率低、稳定性差等问题,本文提出一种基于CSI的室内人员行为识别方法。该方法采用Kalman滤波对信号进行预处理,将输出CSI矩阵通过PCA进行二次过滤和降维,再使用SVM进行分类处理。在特征提取方面,本文还提取了不同的特征值和现有识别方法进行了对比分析。实验结果表明,本文的Kalman-PCA-SVM的方法在LOS路径下识别效果可达93.25%。