呼吸作为重要的生理活动之一,反映着人体的健康状况。在我国,包括慢性呼吸系统疾病在内的慢性病占全国死亡人数的80%以上,且伴随新冠疫情的爆发,呼吸检测的常态化实施尤为重要。因此,呼吸检测技术在智能医疗、家庭监护以及睡眠检测领域具有广泛的应用前景。随着无线技术的发展,基于Wi-Fi无线感知的非接触式呼吸检测基于其便捷、安全、易部署等性能被广泛研究,但是当前基于Wi-Fi的呼吸检测研究仍面临三个主要问题:（1）缺乏通用、精确的人体感知模型;（2）呼吸频率估计误差较大,无法满足严格的商业化医疗需求;（3）对呼吸模式的分类不明确、不细化,缺乏基于Wi-Fi呼吸模式的详细分类。本文针对以上问题开展研究工作:（1）针对缺乏可靠的呼吸检测模型问题,本文基于菲涅尔区理论建立了人体呼吸模型,研究了菲涅尔区环境下射频信号动静传输路径与接收数据之间的关系,揭示了CSI呼吸信号的周期性,并推演出最佳检测位置。本文基于菲涅尔区检测模型研究呼吸频率估计和呼吸模式分类,实现了基于Wi-Fi CSI的人体呼吸检测研究,回答了无线感知检测毫米级呼吸信息的可行性,为本文研究提供具体的模型构建与理论指导。（2）针对呼吸频率估计误差较大的问题,本文展开了呼吸频率估计算法的研究。算法流程包括数据预处理、子载波选择、假峰消除和频率估计。通过Hampel滤波器滤除原始信号的异常值,利用基于开方法的改进小波阈值去噪滤波器实现噪声的有效去除,采用最小二乘法去除直流分量;通过方差最大化对子载波进行选择,减少计算冗余;利用假峰消除算法有效去除因人体波动产生的抖动信号;最后,通过交叉平移点算法估计呼吸频率,实现了最小实验误差为3.9%的呼吸频率准确估计。（3）针对呼吸模式分类不明确、不细化的问题,本文展开了呼吸模式分类算法的研究。进一步将呼吸分为正常呼吸、暂停呼吸和深呼吸三种模式。通过曲线拟合技术增强数据集以解决采集数据稀缺的问题。本文通过格拉姆角场算法将CSI数据编码为二维图像送入卷积神经网络的四种框架中进行训练;其次,结合呼吸模式特征,进一步在门控循环单元上加入双向和注意力机制,提出了基于BI-AT-GRU的CSI呼吸模式分类算法。实验结果表明,卷积神经网络的分类准确率为93.33%,门控循环单元分类准确率为94.17%,而BI-AT-GRU网络分类准确率为96.67%,验证了该网络在CSI呼吸模式分类上的优越性。本文共有图像68幅,表15个,参考文献84篇。