近几年来,随着信息科学技术的快速发展,人们对智能生活的需求也在不断提高,这种需求促使人工智能技术不断发展壮大。人体行为识别作为人工智能的一个重要分支,正在受到国际和国内研究人员的广泛关注。本文主要对两种人体行为感知与识别技术进行了研究和讨论,分别是:基于关节点的人体行为感知与识别技术研究和基于信道状态信息CSI的人体行为感知与识别技术研究。基于这两种人体行为感知与识别技术的研究,我们的研究内容主要有以下几个方面:1.利用开源平台OpenPose感知视频中人体骨骼结构,并提取其关节点坐标,介绍了OpenPose提取人体骨骼关节点的原理及其使用方法;2.搭建CSI数据采集平台感知人体行为,并说明了CSI信号的本质及其采集原理和过程;3.分析了四种机器学习算法对不同人体行为数据的识别效果,分别是:K最邻近、二次判别分析、支持向量机和随机森林;4.在对关节点数据的处理中,通过聚类方法提取出关键的视频帧,通过计算各个关节点的信息熵,从关节点中选取信息熵较大的几个关节点作为关键点;5.在对关节点数据进行分类识别时,研究了两种分类模式对关节点数据的识别效果,分别是:模板匹配分类和分类模型分类。6.通过异常值处理、低通滤波和PCA降维等数据预处理方法处理原始CSI数据,并提出了一个滑动窗口的方法,来截取人体行为开始点和结束点之间的CSI数据;7.分别提取了三组天线对上的CSI行为数据的幅度和相位特征,并讨论了不同机器学习分类器对不同天线对的幅度和相位特征的识别效果。在基于关节点的人体行为感知与识别技术研究中,模板匹配分类对7种人体行为的分类精确度平均为78%左右,而分类模型分类的精确度普遍能达到90%以上;在基于CSI的人体行为感知与识别技术研究中,四种机器学习分类器对CSI数据的分类效果平均最高可达85%左右。