作为智能生活的核心技术,活动感知在日常活动识别、手势识别、生命体征监测、人群动态跟踪、定位、身份认证等方面能极大地提高人机交互质量并扩大智能应用的范围。随着活动感知在人类日常生活中起着越来越重要的作用,更加复杂多变的应用场景对人类活动感知提出了更高的技术要求。现有的大部分基于WiFi的日常活动识别研究仍不能实现一般性、大幅度、非周期性动作序列的实时识别。为了解决基于WiFi信道状态信息（Channel State Information,CSI）的动作序列识别中大幅度非周期动作序列边界模糊以及重复动作一致性不好的问题,本文提出了一个新型的动作序列识别方案,该方案通过组合的深度学习网络提取经短时主成分分析（Short-time Principal Component Analysis,SPCA）实时降维的数据特征,再利用波束搜索优化性能完成动作序列识别。本文的主要研究成果包括:（1）本文提出了基于WiFi信道状态信息的动作序列识别的方案。首先基于WiFi的感知模型提出了以幅度信息作为特征提取基础进行动作序列识别的方式,进行了对大幅度非周期动作序列识别模型的研究。提出了利用CNN网络提取局部的单个动作特征,利用LSTM网络提取序列的时序特征,并基于此建立组合网络实现对大幅度非周期动作序列活动的识别模型。（2）本文建立了对WiFi的信道状态信息进行实时数据处理的流程,在预处理部分使用实时的插值、滤波处理以及经过变化提出的SPCA数据降维方法,并根据降维的方式进行数据流分割并衔接后面的组合网络识别模型,并依托组合网络实现了实时的波束搜索序列优化解码。（3）本文首先通过实验验证选择天线部署与配置方式,并根据菲涅尔区分析天线部署位置对特定动作的感知范围,利用感知能力最强的第一菲涅尔区分析最优的用户动作执行位置,基于提取的有效的信道状态信息利用CNN网络在提取动作特征的同时确保提取到用户无关的动作特征。（4）本文使用波束搜索进行动作序列识别性能的优化,对基本的波束搜索算法进行调整使之适应本文应用场景,完成了对时间序列模糊标记的弱监督学习,避过了无中间平衡状态的动作切割问题,降低了不准确标记带来的误差同时提高方案识别性能。本文首先介绍动作序列识别的研究背景和意义,分析当前各感知技术和基于WiFi感知的研究现状和不足,然后提出本文的技术路线并介绍相关技术。在此基础上,详细介绍了基于WiFi的信道状态信息的动作识别方案技术细节,最后以瑜伽套式动作为载体,通过大量实验评估方案的性能,证明本文在实现一般性的大幅度非周期的动作序列识别应用方面具有重要意义。