为了实现在日常家庭环境中无创地监测人体健康状况,非接触家庭健康监测技术应运而生。在各种非接触监测技术中,Wi Fi技术在成本、隐私、准确性、普及等方面都要优于其他技术。近年来,研究人员发现Wi Fi信号中的信道状态信息（Channel State Information,CSI）可以细粒度感知人体生理信号,这可以解决接收信号强度（Received Signal Strength,RSS）精度低的问题。因此,研究基于CSI的非接触家庭健康智能监测算法具有重要的实用价值和现实意义。本文的主要工作如下:1)本文提出了一种基于CSI的非接触生理信号监测方法。在人体生理信号中,呼吸与心跳信号最能体现人体健康状态。本文首先对采集的原始CSI信号进行预处理,根据不同子载波对生理信号的敏感度不同,方差越大的子载波越容易获得生理信号的原理,通过计算方差选择合适的子载波。分别采用离散小波变换和完全自适应噪声集合经验模态分解（Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN）分离出呼吸和心跳信号,在频域上利用直接法得到呼吸频率。设定不同的实验条件,最终得到呼吸频率估计的平均误差仅为3.34%。2)心跳信号的特征大部分都包含在QRS心拍中,本文提出了一种基于双斜率QRS心拍定位的心率异常检测算法。根据QRS波的奇异性,利用其左右两侧的斜率差进行定位,设定双阈值跟随信号实时变化,保证定位的鲁棒性。利用MIT-BIH Arrhythmia数据库来验证定位和分类算法的有效性,QRS波定位的敏感度达到99.65%,正预测率达到99.41%。通过XGBoost算法对心拍特征进行异常分类,准确率达到99.12%。3)睡眠期间的身体运动对健康监测至关重要,它可以与呼吸和心率等其他指标联合监测睡眠与健康状况。本文通过滑动窗口对采集到的CSI信号进行分割,利用双向长短期记忆网络（Bi LSTM）学习分割后的CSI数据的上下文信息。利用鲸鱼算法（Whale Optimization Algorithm,WOA）对神经网络进行优化,提取更深层次的特征,捕捉CSI数据的时间相关性。最后,利用softmax函数对人体运动类型进行识别和分类,平均准确率达到91%。