随着Wi-Fi和无线设备的普及,基于Wi-Fi的无线活动识别,受到越来愈多的研究者关注,基于设备的活动感知作为现在的最主要的方案一般被更多的用来现在的商用之中,这种基于各种加速度传感器,方向传感器等的设备现在已经非常的成熟。但是与之相对的,随着对无线信号的理解越来越深刻,通过设备(例如:Intel5300NIC)来获取物理层的信号信息:信道状态信息(CSI)作为一种比RSSI更细粒度的信号信息,为无线信号感知提供了理论基础。本文在以上内容的基础之上,对基于无线信号CSI和深度学习的活动识别技术方法进行了研究:本系统,提出了一种通过深度学习的方式来对活动感知进行学习分类的系统WiSensor(Wi-Fi Activity Sensor),包括了数据的预处理阶段,活动探测阶段,学习阶段和分类阶段。在活动探测模型阶段,采用基于相关性的模型来检测活动发生的时间点以及活动时间区间,解决了波形在稳定时刻因环境发生变化而变化的问题。在活动识别阶段,创新的通过深度学习网络,对活动进行学习训练,通过学习活动的CSI信号信息,来替代现在主流的指纹方式,从而通过训练后的网络对活动进行分类。数据预处理阶段,本文主要对数据的收集以及数据的滤波方式进行了详细的介绍,通过低通滤波去除环境的高频噪声。然后通过MCS滤波降低了由于无线AP硬件层面引起的信号噪音。通过两次滤波操作得到更为精确的CSI信号数据。活动探测模型阶段,提出了一种基于皮尔逊相关系数的活动探测模型,通过对无线信号的波形检测,对于活动前后的波形不一致情况,使用前后信号的相关性来判断活动的发生时刻和活动发生的时间长度。该活动探测模型能够适应前后因为环境变化造成的波形不一致情况,并能够很好的检测出目标的活动状态。来获得目标活动的时间窗口内的CSI信息。活动数据学习阶段,本文使用了Alex Net深度学习网络进行目标活动学习,并使用VGG-Net组为对比网络,通过大量的数据学习、训练、实验之后,分析发现对于当前的实验设置,由于子载波的数量现在只能收到30个子载波,单个数据样本的数据大小有些限制,网络隐藏层深度决定了样本的数据复杂度,隐藏层太深会由于样本较小导致过拟合,隐藏层太浅会导致训练程度不够,无法达到很好的识别精度。通过对比了两种经典的网络,对其进行数据训练学习和分类之后,实验证明AlexNet的最终分类效果更为优秀。在本文实验之后的章节。对系统进行了精度以及稳定性方面的对比测试,包括了在传输数据速率不同的情况下,以及功率不同的情况下还有不同深度学习网络模型的情况下的精度对比,对于系统的稳定性精度等进行了评估。对于当前的系统能够达到平均96%(以上)的平均识别率以及平均3%的误报率。以上场景都是在单个无线AP下的场景,尤其系统在能高的频率上,如802.11ac或者24Ghz的频率下,能够达到更高的准确率。