人体行为识别指采用特定的设备和检测算法对被检测对象的运动状态进行识别。人体行为识别技术在智能视频监控、人机交互、视频内容检索等方面具有广阔的应用前景和潜在的经济价值。如何让机器快速并且准确地识别出人体发出的各种行为信息,提高机器的敏感性和易用性是业内人员研究人体识别技术时所关注的重点。主流的人体行为识别方法有基于视频的方法、基于可穿戴设备的方法以及基于WiFi信号的方法。基于视频的人体行为识别技术算法计算成本高,普适性差,而且该技术依托摄像头设备存在,隐私泄露风险大。基于可穿戴设备的人体行为识别方法具有设备自有的侵入性,舒适度低。基于WiFi信号的人体行为识别方法无需穿戴设备,计算量成本低,避免了隐私泄露的风险,是目前实现人体行为识别的热门研究方向。在人体行为识别过程中,现有分类算法受提取的特征的种类、数量影响大,为了省略人工提取特征的步骤,本文提出使用深度学习的方法,让网络模型自行学习数据的特征,从而避免了人为提取特征带来的识别上的偶然性,实现对人体行为的识别。本文将人体行为分为人体动作及步态两个部分,分别针对人体动作识别以及基于步态的身份识别设计了识别方法,包括数据采集、数据预处理、构建数据集、训练模型以及分类识别。主要内容如下:(1)针对人体动作识别,提出一种浅层卷积神经网络模型:RecCNN。通过将批正则化机制融入卷积层,加速算法收敛速度,提高卷积层学习效率,提高了识别精度,可以实现对同一个观测目标的不同动作的低成本高精度分类识别。(2)针对基于步态的人体行为识别,基于迁移学习思想改进了VGGNet-16,将其运用到步态身份识别中。对模型的结构进行了优化调整,使其更适应信号振幅特征,加快了算法收敛速度,提高了识别精度,实现了基于步态的高精度身份识别。与同类模型和业内传统模型进行了对比实验,识别准确率提高了3.22%-5.57%。在稀疏环境和多径环境中进行了对比试验,实验表明,多径环境下模型识别准确率下降9.32%-13.15%,模型具有较好的鲁棒性。综上所述,本文提出了针对人体动作识别的RecCNN模型以及针对基于步态的身份识别的改进的VGGNet-16模型,具有一定的使用价值和现实意义。