近年来,随着人工智能技术的不断发展,人体动作识别及身份认证等人体感知技术受到了极大的关注。传统基于穿戴式传感器的人体感知技术要求被测人员随身携带运动传感器,而基于视觉传感器的感知技术又受限于光照条件及用户隐私。随着无线通信技术的发展,归功于WiFi普及程度高、成本低、不易泄露用户隐私、不受光线影响等优势,基于WiFi的人体感知技术得到了广泛关注。相比于WiFi信号强度指示,WiFi信道状态信息对环境特征描述能力更细致,因此,本文利用信道状态信息对人体动作识别以及人体ID识别展开研究。本文主要工作如下:(1)目前人体感知相关研究大都基于只有30个信道数据的Intel5300网卡展开。本文在此基础上搭建基于Atheros网卡的人体感知在线识别平台,实现56个信道数据的提取及解析;根据信道状态信息在静、动态环境中表现的差异性,通过计算固定窗口信道状态信息数据的相关系数矩阵,再利用基于能量的端点检测方法实现在线动作端点检测,保证系统识别实时性。(2)设计人体动作识别模型DWT-SVM。首先利用小波变换对原始信道状态信息幅值数据进行分析,选取离散小波分解的低频段小波系数作为特征向量。同时为了全面利用信道状态信息所有信道数据,利用离散小波分解提取信道状态信息所有信道数据的低频段小波系数,并拼接为特征向量,接着设计支持向量机分类器实现人体动作识别。最后在本文开发的实验平台上对算法性能进行验证,并取得了较为理想的实验效果。(3)针对目前人体ID识别仅局限于步态,而不能利用多种动作同时识别的问题,设计Wi-CNN模型,利用人体6种不同动作实现人体ID识别。首先设计基础卷积神经网络实现人体ID识别;其次,根据人体ID识别数据特征在原网络基础上进一步优化,大幅降低网络参数量并提高模型准确率;在卷积神经网络实现人体ID识别的基础上利用传统分类器代替网络最后的输出层,设计了 Wi-CNN联合识别模型;最后在人体感知在线识别平台上采集数据,并对模型进行性能测试,最终取得理想的效果。