目前,人员动作检测已经成为了医疗健康、安防以及智能家居领域的重点研究方向,吸引了众多研究者的兴趣。传统的基于传感器和基于计算机视觉的动作检测技术面临着设备昂贵、部署困难和涉及隐私等问题。随着Wi-Fi网络的普及,很多研究者将目光放在了基于Wi-Fi信号的动作检测上。研究者首先利用接收信号强度（Received Signal Strength Indicator,RSSI）来检测动作,但是这种方法的动作识别准确率有限。近些年来,研究者又发现,细颗粒度的信道状态信息（Channel State Information,CSI）可以提供子载波级的数据用于检测动作,并且发现不同的动作所对应的CSI也是不同的,通过分析不同的CSI数据,可以实现对动作的分类。具体来说,本文的主要工作内容如下:（1）本文提出了一种基于CSI的人员起坐动作检测系统。该系统通过分析CSI幅度波形,发现了室内环境的强烈影响和动作导致的波形对称性等重要现象,这些现象对系统设计有着重要的意义。系统首先从原始的CSI幅度数据中滤除离群值和噪声,然后提出基于阈值的两层滑动窗口法和相邻动作合并法来精确分割不同的动作所对应的CSI幅度数据,再对数据进行重采样,接着将不同场景下经过处理后的CSI幅度数据输入卷积神经网络（Convolutional Neural Network,CNN）,训练得到基于CNN的起坐动作识别模型,最后提出了一种基于CNN的输出、动作间相互限制特征和动作波形对称性的动作识别方法。本文在不同的实验场景下对该系统性能进行了验证,实验结果表明系统有着良好的动作识别准确率和鲁棒性。（2）本文提出了一种基于CSI的人员睡眠动作检测系统。不像其他研究者将天线集中放置,为了充分利用三根接收天线的空间多样性,该系统将接收天线分散放置,并且能识别8种典型的睡眠动作以及4种典型的睡姿。为了能够保证良好的睡眠动作识别准确率,该系统提出一种基于相邻动作之间相关性的纠错方法来纠正卷积神经网络的错误识别结果。实验结果表明本系统具有良好的睡眠动作识别性能,在某些情况下,睡眠动作的识别准确率可以达到100%。