随着人们对自身健康和疾病预防的高度重视,以及无线信号感知技术的快速发展,基于无线信号感知的健康监护逐渐受到人们的关注,其中利用WiFi信号的信道状态信息（Channel State Information,CSI）进行健康监护已经成为研究热点之一。基于WiFi感知的健康监护是非接触的,不受光线影响、不会泄露个人隐私且成本低、易操作、易部署。然而,现有的基于WiFi感知的健康监护仍存在没有将呼吸心跳和行为的感知结合在一起;没有考虑较短时间的呼吸和心跳检测;行为感知方法只适合种类较少的识别等问题。本文针对以上问题,提出了相应的解决方法,主要研究内容如下:1.根据人体活动大小对CSI的影响,提出了基于滑动窗口的睡眠行为和呼吸心跳的分割算法。使用离散小波变换的分解重构进行呼吸和心跳数据的提取;使用离散小波变换的阈值去噪进行睡眠行为的提取。通过计算信号周期性的方法进行呼吸或心跳幅值和相位信息的较优子载波选择。2.针对分割提取出的呼吸心跳有长有短,提出了不同时长的检测方案。长时呼吸采用包含假峰去除算法的峰值检测法,短时呼吸和心跳采用包含抛物线插值法的快速傅里叶变换检测法。实验结果表明,长时呼吸和心跳的检测准确率为96.1%和95.5%,短时呼吸和心跳的检测准确率为95.5%和95.1%。3.针对睡眠行为感知方法中,只适合识别种类较少且易受到离群点和相似行为的干扰等问题,提出了基于残差网络的Wi-Night睡眠行为识别方法。采用睡眠行为全部子载波的幅值和相位差信息,将它们构建成残差网络能够使用的六个通道的输入特征图,并对网络进行了优化。实验结果表明,Wi-Night实现了对15种行为的识别,识别准确率为98.2%。4.对不同时长的呼吸心跳检测以及Wi-Night睡眠行为识别方法进行了实验验证。通过比较不同实验场景、不同收发设备距离、不同睡眠姿势、不同时长对呼吸和心跳检测结果的影响。通过比较不同batch＿size、不同迭代次数、不同实验场景、不同相位信息、不同识别方法对睡眠行为识别结果的影响。验证了本文基于WiFi感知的夜间健康监护系统具有较好的性能和较强的适用性。