随着Wi-Fi感知技术的广泛兴起,本文在基于信道状态信息（Channel Status Information,CSI）的无线感知理论基础上,以感知粒度的粗细为主要研究脉络,针对粗粒度的位置轨迹和动作行为感知、细粒度的手势识别、微粒度的生命体征感知开展深入研究,旨在探索不同环境与不同感知粒度下的感知机理,进行基于CSI特征的目标建模,构建无线感知模型;针对不同的感知环境,研究CSI信号的获取、数据预处理、特征提取、感知识别等方法与技术。为新型无线通信的无线感知技术及算法带来新启示,对无线智能感知技术在人机交互、智能驾驶、健康医疗、动作行为识别等领域的相关应用产生积极的推动作用。主要工作体现在以下几点:（1）针对目前基于CSI的定位,存在指纹生成复杂、定位实时性差、定位误差高,以及在复杂非视距环境下时钟不同步问题与多径效应引起的误差问题,提出了一种基于CSI幅值端点特定剪裁和支持向量机的室内定位方法（EC-SVM）。首先,使用基于密度的聚类算法消除由于多径效应产生的异常值,通过对CSI幅值端点进行特定剪裁（End Clipping,EC）;然后,将三个CSI通信链路的信号进行融合,对融合后的链路进行特征提取,构建指纹数据库;最后,根据裁剪后的CSI位置幅度特征,使用SVM进行分类,最终获得物理位置的估计结果。通过实验验证,该方法在室内移动目标的实时定位、轨迹追踪和入侵检测等方面具有很好的性能,当定位误差为1.5 m时,EC-SVM算法的定位精度可达到89%。（2）针对动作识别精度受人体的运动方向影响严重,难以保证不同方向上识别的鲁棒性,以及对复杂动作的识别困难的问题,提出一种与方向无关的动作识别方法（Wi-M）。首先,通过商用Wi-Fi设备采集动作行为的CSI信息,并利用离散小波变换进行降噪处理;然后,使用主成分分析及短时傅里叶变换提取动作数据的多普勒频移,构建频域能量指示器,将人体运动在频域上的多普勒频移与快速傅里叶变换值作为共同的动作识别特征;最后,基于长短时记忆网络进行动作的分类并识别。该方法将空间特征集成到时间模型中,提升了无线信号对人体动作识别的鲁棒性与准确性,可以有效降低动作行为的方向信息影响,判断动作的起始,具有良好的环境迁移性和识别能力。在二种常见的室内环境中（大厅、办公室）进行了实验验证,在不同环境中平均识别率可以达90.6%,针对头、手、腿、躯干等不同部位动作的平均识别准确率可达94.68%。（3）针对传统的手势识别存在的成本畸高、设备操作复杂、入侵性强等普适性问题,以及如何解决手势识别的泛化能力、手势识别的整体性能和多人不同手势的交互识别等关键问题,提出了一种基于CSI的手语动作识别方法。首先,通过Wi-Fi设备采集人体的原始手语数据,利用高斯滤波器以及移动平均滤波器处理原始数据中环境噪声,计算每条子载波的能量,选取最优子载波;然后,根据CSI的时域信息来提取手势波动轮廓,选择CSI手语动作数据的均值、方差、偏度、峰度来提取与手语动作相关的高层次特征;最后,通过改进的Adaboost分类器分类识别不同的手语动作。在真实场景中验证了该方法在手写数字手势方面的性能,识别准确率误差在2%以内;实现了2至3人交互对话场景下的并发手语识别,且准确率在85%以上,为无线感知技术在手势识别方面的应用提供了一个可行的方案。（4）针对像呼吸更细微的人体动作数据采集困难、识别难度大的问题,研究了菲涅尔区感知模型,包括菲涅尔区反射模型和衍射模型的基本原理,建立了生命体征监测的物理模型,提出了一种基于CSI信号的人体呼吸模式检测方法。首先,利用从Wi-Fi信号中提取到的信道状态信息作为检测细微呼吸动作的测量指标,利用呼吸和心跳频率的不同从中分离出呼吸和心跳信号的频域信息;引入菲涅尔区模型,提取变化明显的CSI呼吸信号,将采集到的数据使用Hampel滤波进行异常值的处理,利用PCA算法提取最优子载波,并用Sym8小波函数进行进一步的去噪、平滑处理;最后,使用优化的双向循环神经网络（Bi RNN）构建呼吸模式分类器,对4种不同呼吸模式的信号进行分类感知,从而判断当前人体的生理状态。在两种实际场景中测试了该系统性能,总体识别率达到了94.6%,实验表明该方法具有较高的识别性能与较强的鲁棒性。