随着科学技术的发展,人们的生活正逐渐走入现代化、智能化。人机交互是实现生活智能化的关键环节,而人体姿势识别是人机交互的重要手段。Wi-Fi作为生活中最普遍存在的无线信号,应用于人机交互领域具有重要的意义。本文对Wi-Fi环境下人体姿势的识别方法进行研究。利用信号处理与模式识别技术,探究提高识别准确率与识别速度的方法。为提取有效的信号特征,从而提高人体姿势识别的准确率,本文分析了通信环境对信号传输的影响,确定了由多径传输引起的接收信号幅值包络的随机起伏包含了不同动态人体姿势信息。由此,提出了由相对于接收信号峰值不同程度的衰减信息组成的特征向量。此外,对信号特征提取与特征选择方法进行了研究。利用XGBoost方法对特征重要性排序,证实本文所提取的特征的确对人体姿势识别结果起到关键作用。本文提出了基于集成学习方法的人体姿势识别模型,能够兼顾识别的准确率和识别速度。与传统的单分类器相比,集成学习方法同时结合多个分类器的能力,给出综合的判别结果以获得较高的识别率。以单层决策树为基分类器的Adaboost人体姿势识别方法,在保证识别率的同时,可以降低不同应用场景对于参数调节的限制。基于XGBoost的识别方法能够在模型训练的过程中实现特征的选择,在低维特征向量的情况下也能保证较高的识别准确率。本文基于软件无线电平台进行Wi-Fi环境下动态人体姿势数据的采集。对上述提出的方法进行验证,实验结果显示,上述方法可以获得预期识别效果。与相关算法的性能对比分析表明了本文提出的方法在识别准确率与识别速度上的优势。