随着无线通信的迅猛发展,无线感知技术在工业和学术界都受到了极大的关注。室内定位以及人员动作识别在生活各个方面得到广泛应用。针对复杂环境下感知技术存在的问题,本文利用机器学习算法,研究基于信道状态信息（CSI）幅度分解的动作识别和位置估计算法。论文主要工作包括:（1）研究人员动作识别和位置估计的基础知识。首先介绍常见的动作识别和位置估计的测量值,然后描述了现有基于机器学和CSI的动作识别和位置估计模型。最后搭建了实验平台,为研究内容开展打下基础。（2）提出了基于CSI幅度分解的动作识别和位置估计算法。离线阶段,测量目标在每个参考位置下的CSI幅度的静态信息。同时测量目标在不同位置和不同动作下的CSI幅度。然后将CSI幅度构建CSI图像,利用卷积神经网络（CNN）进行分类学习,得到位置分类模型;将每个动作下的CSI幅度都减去其所在位置点上的CSI幅度静态信息,得到CSI幅度动态信息,并由此建立CSI幅度动态信息图像。利用CNN进行分类学习,得到动作分类模型。在线阶段,将接收到的CSI幅度构建CSI幅度图像,利用位置分类模型进行位置估计。然后将接收的CSI幅度减去估计位置下的CSI幅度静态信息,构建CSI幅度动态信息图像,再利用动作分类模型进行动作估计。通过CSI幅度分解,能够将CSI的背景信息剔除,有利于动作识别性能改善。实验结果表明所提算法能够获得比现有方法更好的动作识别和位置估计性能。（3）研究了基于CSI幅度分解和注意力机制的动作识别和位置估计算法。在CSI幅度分解的动作识别和位置估计算法基础上,将Non-local Neural Networks,SENet和DANet三种注意力机制模型结构分别插入基于位置和动作分类学习的卷积神经网络中,并进行离线训练,从而得到位置和动作分类模型。注意力机制能够强化特征,让模型聚焦于重要特征来改善学习效率。实验结果验证了注意力机制能够改善动作识别和位置估计性能。