随着计算机技术的不断进步,人们对人机交互的要求越来越高。传统的行为识别方法具有价格昂贵、不便携带、受光照影响较大等缺点,无法满足人们的需求,而基于信道状态信息的行为识别具有价格低廉、不受光照影响等优势,但也存在行为数据分割精度受限、人员分辨率低等缺点,为解决上述问题,本文针对基于信道状态信息的人员行为识别展开深入研究,主要研究内容和创新成果如下:（1）针对基于信道状态信息的人员行为识别的研究和应用现状进行综述,明确课题研究重点:基于信道状态信息的人员行为识别中,行为数据分割算法普适性不佳问题和人员识别分辨率低问题,并给出主要的研究思路。（2）针对基于信道状态信息的单人行为识别中行为数据分割算法普适性不佳问题,本文提出了一种基于卷积神经网络的单人行为识别方法,该方法在保证人员行为数据完整性的情况下,减少了初始状态数据干扰,实验结果表明在粗细粒度行为同时存在的场景中,该方法相比于基于阈值分割的行为识别方法对人员行为数据的分割精度更高。（3）针对双人行为特征难以分辨问题,本文在双人行为识别算法中利用盲源分离算法对双人行为数据进行处理,并将盲源分离算法与循环神经网络相结合,解决了双人行为特征分辨率低问题。（4）针对人员识别准确率低问题,本文以门控循环单元为基础,提出了一种基于信道状态信息的双人行为识别方法。该方法利用卷积神经网络进行特征提取,利用双向门控循环单元网络和注意力机制加强信道状态信息数据特征与人员行为间的联系,实验结果表明,该算法一定程度上提高了双人行为识别准确率。实验结果表明,本文在单人行为识别方法中提出的数据分割方法相比于传统阈值分割法适应性更强,分割精度更高;本文提出的双人行为识别方法识别准确率达85%以上,识别效果优于传统机器学习方法,有效提高了人员识别准确率,切实解决了双人行为特征分辨率低的问题。该论文有图77幅,参考文献88篇。