随着无线感知技术的快速发展和人机交互需求的迅猛增长,基于Device-free技术的人体行为识别成为研究的热点之一。相对于传统的计算机视觉技术和可穿戴传感技术,WiFi技术不仅可以用来传输数据,还可以以Device-free方式感知周围环境信息。然而,受多径效应以及周围环境影响,基于WiFi信号的行为数据复杂度较高;另外,现有人体行为识别方法需要手工提取特征,较大程度依赖于先验知识。本文以独居老人为研究对象,使用商用WiFi设备采集物理层信道状态信息(Channel State Information,CSI),并采用深度学习实现对粗粒度和细粒度的人体行为感知研究。本文主要研究内容如下:(1)针对日常生活中幅度大、频率高的走路等人体行为,本文提出了一种基于深度学习的粗粒度人体行为识别模型LTRNN。该模型通过自动提取低层次到高层次的行为特征,分析人体行为与CSI数据之间的内在关系。另外,通过分析CSI数据,选取具有代表性的子载波,通过滑动窗口的方式将长时间行为序列分割成短时行为,以提高模型构建和训练的效率。实验结果表明,在不同滑窗和不同采样率等识别问题上,本文提出模型均有较好的识别效果。(2)针对睡眠期间幅度小、频率低的翻身等人体行为,本文构建了一个深层次的细粒度人体睡眠行为识别模型BIRM-RNN。该模型使用双向循环神经网络学习CSI数据的上下文信息,并将融合后的上下文信息输入独立残差循环神经网络中,提取该类行为的深层次数据特征。同时,为了解决深层次网络梯度消失的问题,利用Batch Normalization(BN)方法对模型进行优化。在不同场景下的大量实验结果表明,该模型在各评价指标上均达到了93.5%以上。综上,本文实现了一种被动式、无隐私、零负担的人体行为识别方法,对独居老人在日常和睡眠期间各种行为进行分析与识别。该方法不仅充分利用现有资源,节省人力物力,而且为基于无线感知的人体行为识别提供了新思路,可以广泛应用在家庭健康监测等领域。