在网络不断发展的今天,无线局域网(Wireless Local Area Network,WLAN)越来越多地被人们应用到了宽带通信、无线接入等服务中。由于其覆盖广、性价比高、部署迅速等优势,研究人员也将它应用于各种其它科研技术场景,其中最广泛的应用便是人体位置检测和行为感知等。随着车联网技术的发展,科研人员开始利用无线局域网进行驾驶员感知和驾驶员行为研究。传统的驾驶员行为识别研究主要是基于接收信号强度(Received Signal Strength Indicator,RSSI)、视频、和红外线等,但摄像机、传感器等存在着价格昂贵、部署极为不便和RSSI低精度、不稳定等缺点,本文采用了信道状态信息(Channel State Information,CSI)来对驾驶员进行行为感知和动作识别研究,考虑到驾驶员行车动作是时间序列过程,本文在基于传统机学习之上引入并结合了长短期记忆神经网络(Long-Short Term Memory,LSTM)和原始特征融合来达到增加分析系统的鲁棒性和提高最终分类准确率。本文的主要工作如下:(1)对传统驾驶员感知以及检测的技术进行分析和总结,指出了传统技术的不足,分析了信道状态信息方法的优势之处;(2)介绍了CSI物理基础、技术原理和获取的实验平台,介绍了常用的机器学习算法分类模型并且引入了深度学习;(3)设计和实现了基于CSI的静态驾驶员区分实验,结合机器学习对同一辆车下不同驾驶员的CSI感知区分的原理和具体实验处理步骤,对实验结果进行分析并且扩展到不同车辆上验证可推广性;(4)设计和实现了基于CSI的动态驾驶员区分实验,即同一个驾驶员的不同行车行为的研究原理和具体实验处理步骤,引入了LSTM来加强系统鲁棒性,并且在多种不同的场景和多种干扰因素下进行了多次的实地行车实验,讨论了不同因素以及不同特征占比值对系统模型的影响。(5)总结了本文不同驾驶员区分以及驾驶员行车行为研究成果,并对未来车联网世界进行了展望。