随着物联网的兴起,利用Wi-Fi的信道状态信息(Channel State Information,CSI)实现人体行为感知对智能家居、智慧医疗等具有重要意义。与基于传感器、视频等人体行为感知相比,基于Wi-Fi的人体行为感知不受光线等环境因素影响,不涉及隐私问题,同时成本低、可广泛部署。本文提出两种基于CSI的行为感知方法对五种日常人体行为进行识别,以提高识别精度。主要的研究内容如下:(1)对原始CSI数据进行预处理。本文提出将巴特沃斯低通滤波和局部异常因子去除相结合的方法对原始数据预处理,消除了噪声。为了避免冗余信息造成计算量过大等情况出现,本文提出基于方差的行为起始点侦测算法对有效的CSI片段进行提取,能够准确判断行为动作的开始和结束。(2)提出了基于特征提取和分类的人体行为感知方法。本文在时域上提取信号的均值、标准差、平均绝对偏差和三阶中心距,并用支持向量机分类,证明了该方法的可靠性及鲁棒性。(3)提出了基于IndRNN和LSTM的人体行为感知模型BInd-LSTM。为了解决传统方法存在的计算大、效率低等问题,本文提出了BInd-LSTM深度神经网络,并用滑动窗口分割数据,同时网络中融合了残差和Batch Normalization(BN),提高了模型的鲁棒性,并从网络层数、发包率等方面对影响模型准确性的因素进行探究,通过与其它模型对比,证明了BInd-LSTM模型的有效性。