无线感知技术是通过采集,处理与分析泛在的无线信号,并从中挖掘出其传播环境中诸如身份、手势、动作等目标信息的一种新兴技术。得益于无线信号的物理特性,无线感知技术可以在不需要任何额外设备的情况下对目标实现厘米级的感知,同时基于无线信号的感知技术有着易于布设,安全性高以及不侵犯人类隐私等优点,充分利用无线感知技术可以极大提高人类生活质量以及生产效率。随着无线网络设备的普及,可采集到的无线网络信号数据呈现井喷式的增长,因此以数据驱动感知的基于机器学习的无线感知技术逐渐发展起来,而基于机器学习的无线感知技术也存在着许多问题。首先,无线信号对于外界变化的敏感性使得基于机器学习的无线感知技术可以感知目标的细微动作,也正因如此研究人员采集到的无线信号中往往包含了繁杂的噪声,因此很难从中提取出高性能特征。本文提出基于本征特征无线感知算法,从原始无线信号中分离出与目标信息相关的波动趋势以构建本征信号,并从中提取具有良好表征能力的特征,从而实现对于目标信息的高性能感知。同时,基于机器学习的无线感知模型的构建往往需要大量的无线信号数据的参与,这意味着每当遇到新的感知问题便需要大规模采集无线信号数据。本文提出了一种基于元学习无线感知技术,使得无线感知模型学习到的知识不仅可以实现高精度感知还有着良好的转移性,利用少量的训练数据便可以实现无线感知模型的重建,该算法节约了无线感知模型的数据成本,提高了解决无线感知问题的效率。最后,无线感知模型在实际应用时常常会面临工作环境的改变,工作环境的改变将使无线感知模型提取的特征产生偏移,特征偏移将会使无线感知模型对于分类决策边界附近的目标数据产生错误的分类,从而导致无线感知模型的性能下降。本文提出了场景自适应的无线感知模型,采用分布移动以及中心移动策略实现了目标环境特征分布与源环境特征分布的对齐,以非监督训练的方式实现跨场景的无线感知。本文设计了步态身份识别,手势识别以及行为识别实验,分别验证基于本征特征无线感知算法,基于元学习无线感知算法以及场景自适应无线感知算法的性能。实验结果表明本文提出的三种算法分别有效地实现了高性能无线信号特征提取,低训练成本的无线感知模型重建以及非监督训练方式的跨场景无线感知。