在全球遭受新冠肺炎疫情影响的现实背景下,人们越来越重视自身的身心健康需求。这一现状不仅让人们追求更积极健康的生活方式,同时也促进对健康监测技术的研究。无线通信技术的发展,使非接触式的Wi-Fi无线感知技术研究近年来日渐火热,在室内健康监测这一具体应用上催生出诸多研究。本文利用Wi-Fi的物理层信道状态信息（Channel State Information,CSI）,将室内环境下人体活动状态按照运动尺度量级分为细粒度和粗粒度状态,以呼吸状态和行走轨迹为例展开Wi-Fi被动感知的技术研究。针对人体呼吸这一细粒度状态,本文结合Wi-Fi感知的数学理论模型和学习算法,提出一种人体呼吸状态感知检测算法,主要分为人体活动状态检测模块和呼吸状态监测模块,其中人体活动状态检测基于朴素贝叶斯分类器,对CSI数据计算获得的多普勒频谱进行特征提取和分类。呼吸状态检测模块定义呼吸噪声比选取感知最为敏感的幅度相位数据流,以获取呼吸状态曲线。为检测呼吸异常模式,本文对呼吸骤停时间段的数据进行分类。搭建实验平台,采集数据进行实验,衡量系统对检测人体活动状态和呼吸状态的准确性。实验中活动状态检测模块的分类准确性在93%以上,算法获得的呼吸状态曲线与真实呼吸数据相关系数达80%。针对室内行走轨迹这一粗粒度状态,本文提出一种基于粒子滤波的行走轨迹无源追踪算法。算法首先获取人体行走时的CSI测量值矩阵,利用子载波相关性提取行走动作的主成分,基于空间-时间平滑后的MUSIC算法计算人体反射信号的到达角。同时利用接收天线上共轭相乘后的复数相位,获取多普勒频率偏移。将两信号参数代入到人体行走状态系统模型,通过粒子滤波器递推迭代对人体行走轨迹进行估计。搭建原型系统进行实验,信号参数提取算法性能相较对照组算法有较大提升,整体轨迹追踪的中位误差为41.8cm,达到目前研究领域的分米级精度。