人们对无线传播环境中信号的随机性,时变性和非线性等基本问题的研究,驱动着无线通信系统向更高传输速率,更先进编码算法,更高效的功率效率的方向发展进步。在局域环境下,广泛使用的WiFi无线技术不仅解决了高速接入互联网的最后一公里接入问题,同时还孕育和促进了室内定位、手势和活动识别,设备无关定位等一系列无线感知应用的蓬勃兴起。WiFi信号传播中的非视距识别问题是提高无线定位系统定位精度,提高无线通信链路质量,优化通信调制模式基础技术的保证。新一代WiFi无线网络的物理层采用了多载波技术,通过获取各子载波的CSI(信道状态信息)数据进行信道估计,从而更有效地抑制多径干扰效应的影响。因此,本文基于无线链路的信道状态信息(CSI),提出一种基于机器学习的非视距识别系统化方法,主要研究内容如下:(1)针对WiFi无线网络的CSI数据容易受到突发干扰和相位偏移的问题,在对初始数据进行预处理时,提出了结合局部离群因子检测LOF、Hampel滤波和相位线性变换的方法进行异常因子检测、剔除和相位偏差校正。(2)针对室内环境下的非视距识别问题。在对CSI数据提取均值、标准偏差、变异系数、偏度、峭度、相位差因子和Rician-K因子等统计特征基础上,基于支持向量机方法进行分类模型训练和检测识别,提出对支持向量机的惩罚因子和核函数的参数进行寻优的灰狼优化算法。(3)搭建平台,布置场景,实测数据,整合算法,分别进行了预处理算法选择、SVM参数选择、特征分簇的影响分析,以及分类算法性能分析,结果表明,在室内环境下本文所提方法的识别率达到约97%,性能优于其它方法。