近年来,基于机器学习的WiFi感知识别技术受到广泛关注。然而目前已有的解决方案存在两个主要缺陷,一是当感知目标类别数量增加,准确率严重下降;二是由于机器学习模型普遍使用概率度量进行决策,受强制概率分布的约束,实际条件下感知模型稳定性较低。本文主要针对以上两个问题展开了具体研究,并提出了相应的解决方法。进一步地,在两种已有的感知应用上(步态识别,手势识别)进行了方法的评估。实验结果证明,在大规模的感知对象类别上,本文提出的方法实现了高精度以及稳定识别。具体的研究内容如下:(1)为了解决在大规模类别下的无线感知模型准确率下降问题,本文提出了一种基于集成学习的感知模型选择方法。该方法通过融合多特征多分类算法,完成多种感知基模型的集成。在对测试样本进行识别时,利用模型选择机制,确定最优感知基模型进行识别,从而克服了大规模类别下的单一感知模型准确率低的缺陷。(2)为了解决目前基于概率度量的感知模型不稳定的缺陷,本文提出了一种基于确定性预测模型的样本过滤方法。其基本思路是应用统计度量进行分类决策,克服概率度量的约束,建立样本过滤机制,以实现对测试样本的过滤。在实际应用中,过滤由于感知模型的不稳定性所导致错误识别的样本,并进一步通过模型增量学习,以不断增强感知模型的稳定性。(3)基于以上两种方法,设计并实现了基于集成学习的WiFi感知识别系统,并在大量的WiFi数据集上对系统进行了全面详细的评估。实验结果证明,随着感知对象类别数的不断增大,系统在步态识别和手势识别上的平均识别准确率分别从56.3%和51.8%提高到85.33%和92.6%,并提供了一致的稳定性能,除此之外,系统的过滤方法可实现不超过5%的错误过滤率,通过模型增量学习后,系统性能可维持稳定。