随着环境感知和通信技术的飞速发展,进行人体日常活动监测在智能家居、娱乐和医疗保健等领域得到了广泛的应用,人体活动识别技术引起了学术界和工业界的关注。在基于可穿戴设备、摄像头和环境设备的人体活动识别方案中,存在佩戴不便、侵犯隐私、设备价格昂贵以及部署复杂等限制性因素。而无设备Wi Fi感知技术克服了上述限制,通过将不同的人类行为与信道失真关联起来,从而实现人体的动作识别。本文针对当前利用Wi Fi信道状态信息（Channel State Information,CSI）进行人体活动识别技术中识别精度低、识别种类少的问题,研究了一种利用并行卷积神经网络（Convolutional Neural Network,CNN）和长短期记忆网络（Long Short-Term Memory Network,LSTM）深度学习算法进行活动识别的方法,主要研究内容包括:（1）利用Intel 5300网卡进行人体活动CSI数据采集与预处理的研究。由于采集的CSI数据在所有频带中都有噪声,采用离散小波变换（Discrete Wavelet Transform,DWT）滤除噪声,既得到了低频范围的人体活动信息,又保留了高频的细节分量;接着,本文设计了一种CSI子载波选择与特征稀疏化方案,此方案利用主成分分析（Principle Component Analysis,PCA）方法按照特征值大小对CSI人体活动数据进行子载波选择,在此过程中加入沃尔什-哈达玛变换（Walsh Hadamard Transform,WHT）对特征向量进行压缩,从而既选择出了与人体行为密切相关的子载波,又实现了特征的稀疏化。（2）提出了并行CNN-LSTM深度学习算法进行人体活动识别,将经过数据预处理后的人体活动CSI数据放入搭建好的网络中进行识别。由于人类活动是随着时间的推移动态变化着的,因此,一方面利用CNN网络可以提取目标活动的空间行为特征,另一方面LSTM网络可以提取随着时间推移而变化的目标活动的时间序列特征。通过并行CNN-LSTM深度学习算法将空间行为特征与时间序列特征进行融合,最后利用Softmax分类函数对融合特征进行分类,识别出不同的人体行为。通过实验比较分析,不同的神经网络模型对此数据集进行深度学习时,人体动作识别的准确度、损失值和混淆矩阵反映了它们的性能。本文所提出的并行CNN-LSTM深度神经网络算法对于16种活动类别的平均识别精度达到了98.0%,相较于单一的CNN网络、LSTM网络、双向LSTM以及串行CNN-LSTM网络准确率高。