行为识别技术旨在让计算机从所获得的信息中识别并理解人体的具体行为,根据输入数据的不同大致可分为三类:基于视频的行为识别、基于穿戴式设备的行为识别以及基于信号的行为识别。其中视频行为识别技术在视线没有遮挡的非视距环境中受到严重的限制,而穿戴式设备虽不受光线的限制,但其价格昂贵的同时影响用户使用体验。而在电商项目的使用场景中,当其运行于非电脑或手机等智能终端时（如电视、投屏等设备）,可以通过人体的行为来代替购物时的浏览操作,而这一使用场景与汽车中控、智能家居等相同,均为嵌入式设备。而当下较为流行的基于深度学习方法的行为识别由于其识别模型参数量庞大,无法应用于嵌入式设备场景。因此本文采用Wi-Fi（Wireless Fidelity,Wi-Fi）信号作为输入信号,从模型的参数量与行为识别准确率的角度出发,结合神经网络与特征工程,探究了基于Wi-Fi信号的轻量级人体行为识别算法。主要的研究内容如下:提出一种基于特征融合与Wi-Fi信号的行为识别算法Wi-FFG,主要包含三个模块:数据预处理模块、特征提取模块、行为识别模块。数据预处理模块:省去了传统基于无线信号的行为识别技术中数据预处理步骤中的降维与滤波,取而代之的是原始数据插值,使之不同行为数据的长度一致。然后使用短时傅里叶变换使得预处理后的数据在原本具有时间域特征的基础上增加频率域特征。特征提取模块:作为该行为识别算法的重点部分,特征提取模块针对不同的特征,采用不同的神经网络模型来进行特征提取,且由于特征提取网络采取轻量级模型,因此各个特征提取模型较其他方法参数量更少;行为识别模块:对提取到的时频域特征进行融合,同时对比不同的特征融合方式,最终使用分类器对不同的人体行为进行分类。提出基于改进Transformer的行为识别算法Wi-Tr,Wi-Tr算法使用四种不同的神经网络层堆叠搭建行为识别模型:输入与预处理层、双流编码层、特征图聚合层以及特征映射与识别分类层。其中,输入与预处理层将采集到的原始数据根据双流编码层中不同编码器的不同需求进行不同预处理操作。而该行为识别模型的创新之处在于双流编码层,少量双流编码层堆叠后的识别模型效果可以与上百层的常规卷积或循环神经网络相媲美,故模型参数量得到了大幅的减少,单个双流编码层由两个不同的编码器组成:时序编码器与频谱编码器,两者所接收的输入数据不同,因此内部结构也各不相同。编码器由多头自注意机制、多尺度卷积网络或深度可分离卷积网络以及数据标准化模块堆叠而成。后续的特征图聚合层与特征映射与识别分类层则负责将双流编码层所提取到的特征图通过更高维度特征提取与映射进行分类识别。对于本文提出的不同识别方法经过实验分析可以看出:对于Wi-FFG,实验对比Wi-FFG方法中单独的卷积网络模型或循环神经网络模型在行为识别任务中的表现,Wi-FFG方法在行为识别任务中的表现比之前两者更为出色,对于不同行为的平均识别准确率可达95.03%;而对于Wi-Tr,通过消融实验以及对比实验可以发现,双流编码层中各部分对于特征提取均有积极的帮助,且与目前较为常用的各种行为识别方法进行对比实验结果表明,基于Transformer搭建的行为识别模型在行为识别任务中的分类准确率较其他流行方法更高,对于不同行为的平均识别准确率可达96.7%。