人体行为识别,是对观测对象的动作类型和行为模式进行认知与识别,作为人机交互技术(Human-Computer Interaction,HCI)的重要研究领域,人体行为识别技术受到广泛关注。传统的基于视觉的行为识别技术易受光线、视距传播等因素的影响,而基于传感器的行为识别需要使用者佩戴专用设备,影响了行为识别技术的推广。WLAN环境下基于信道状态信息(Channel State Information,CSI)的人体行为识别技术以其成本低、隐蔽性好、环境适应性强等优势,近年来受到广泛的关注。现有的行为识别主要有以下特点:一,行为的提取需要人为的设定门限,更换环境后需要重新设置;二,大多数研究主要利用时域信号的特征,对频域特征的开发较少;三,行为识别算法采用单个分类器,鲁棒性差,识别率低。基于此,本文将深入开展基于WLAN信道状态信息的人体行为识别算法研究,主要包括:第一,开展自动求取检测门限进行行为提取的算法研究。重点研究通过核密度估计(Kernel Density Estimation,KDE)方法求得有行为时和无行为时的CSI特征的概率密度分布,然后对比它们的分布求取最佳检测门限,最后结合时间序列缓存方法消除偶然误差来完成行为的提取。在空旷和多径环境两种环境下进行算法实测验证,结果表明该算法可以有效提取出行为数据。第二,通过分析人的移动速度对CSI幅值的影响,找到区分各个行为的特征。针对CSI子载波之间信息冗余的问题,利用主成分分析(Principal Component Analysis,PCA)算法对CSI幅值进行降维,然后通过小波变换提取出时频分量信息。同时,为了解决序列长度不一致导致分类算法无法使用的问题,通过提取统计特征使特征长度一致化,最后将特征标准化以防止识别结果受局部特征左右。第三,在完成特征提取的基础上,开展行为识别算法的研究。根据各类行为的特征,结合特征子空间与支持向量机(Support Vector Machine,SVM)研究一种组合分类器,通过组合分类器的联合判决进行行为识别。在空旷和多径环境两种环境下进行算法实测验证,结果表明该算法能有效的提高单一分类器的识别率。