随着经济社会的发展,人类活动越来越集中于安全、可控的室内环境。室内定位及动作识别技术能够获取室内人员或物体的移动、行为等信息,配合多种室内服务形成闭环,能够大大提高室内环境的智能化水平。室内定位及动作识别技术顺应了时代的需求,在工业制造、医疗护理、智能家居等方面具有广阔的应用前景,在大数据引领的新一轮产业变革中具有关键性作用,具有十分重要的研究意义。本文从老人护理场景下室内定位及摔倒检测应用角度出发,综合考虑技术的精确度、便利性、可靠性、经济性以及对个人隐私的保护,对室内定位及摔倒检测技术进行了研究。通过对室内信道模型、信号噪声分析、进化计算算法、深度学习等进行深入研究,利用超高频(Ultra High Freqency,UHF)射频识别(Radio Frequency Identification,RFID)系统及超宽带(Ultra Wide Band,UWB)技术成本可控、部署方便、感知灵敏的特点,实现了低成本、高精度的被动式室内定位和高灵敏度、高健壮性的被动式室内摔倒检测方案,并搭建贴近真实应用环境的测试平台对方案进行了全方位的测试与评估。论文的主要研究内容及贡献有:(1)对UHF RFID信号在室内的传播路径进行了分析和推导,建立了 RFID系统的室内信号传输模型。首先以差分的方法分离出因目标进入感知区域而引入的信号传输路径,然后经过简化和分析,利用相邻标签的关系,通过标签反向散射信号在复数域的相除消除大多数未知参量,提取出目标到相邻标签的相位差。最后,通过分析相位模糊的产生原理,采取将相邻标签部署在半个载波波长范围之内的方法引入距离差约束,避免了相位模糊。(2)提出了基于粒子群优化(Particle Swarm Optimization,PSO)的低成本高精度室内定位系统WallSense。WallSense将标签阵部署在墙面上作为传感器,通过采集标签反向散射信号的强度及相位信息对目标进行定位。首先,根据模型求解因相邻标签对到目标距离不同而产生的相位差信息。然后假定位置已知,利用PSO算法通过优化观测和理论值距离度量求解目标位置,避开了经典方法直接求解位置所面临的复杂度过高的问题,且利用标签的数量弥补单个标签精度的不足。通过在实际环境中搭建测试平台,用真实人员目标和反射箱目标对WallSense系统的定位性能进行了测试。并通过采用双标签阵定位、目标函数加权、改进子集PSO算法等多种方法对定位系统的性能进行了优化,改进后对人员目标定位精度为0.21m。(3)研究了脉冲超宽带(Impulse Radio Ultra-Wide Band,IR-UWB)单站雷达的定位问题,提出了一种基于自适应方差的杂波移除算法。首先,采用希尔伯特变换对UWB雷达的回波信号进行了预处理。通过对复杂室内环境下的UWB雷达信号进行建模和分析,针对现有杂波移除算法的不足,提出了一种使用自适应方差对信号进行判定的方法,并根据判定的结果采取不同的更新策略对杂波谱进行迭代,并在真实室内环境中对算法进行了测试,证实该算法对静止及运动目标均有良好的杂波移除效果,可以大大改善目标检测及测距精度。(4)提出 了一种结合了 卷积神经网络(Convolutional Neural Network,CNN)及卷积长短时记忆(Convolutional Long Short-Term Memory,ConvLSTM)神经网络的室内摔倒检测方法。该方法利用了UWB信号优秀的空间分辨率,并结合CNN的自动特征提取能力以及ConvLSTM网络的时间-空间特征建模能力,实现了对目标摔倒的高精度识别。首先,系统对UWB雷达的回波信号进行了静态背景移除、小波去噪及数据增强处理。然后,使用两层二维卷积层自动提取信号中的局部特征,并采用一维ConvLSTM层完成对信号整体时间-空间特征的自动提取。最后,将提取出的特征用于训练分类器进行分类和识别。搭建了真实的场景,并采集了具有不同身高、体重、性别的五个志愿者的六种行为数据对该系统进行了一系列测试,证实系统具有优秀的摔倒识别敏感度、特异度及准确度。在复杂的休息室环境中的测试证明,系统具有优秀的可迁移能力,并且无需重新训练就可以在新的环境中以高敏感度识别摔倒。