随着近年来WiFi环境感知技术的发展,其应用领域也在不断的革新,WiFi信号的作用已不再局限于数据通信。目前,基于信道状态信息（Channel State Information,CSI）的人体感知研究正在全面展开,当人体在充斥着多条无线信道的WiFi环境中做不同动作时,无线信道的CSI信息会进行相应的改变,而从CSI信息的变化中能分析出相应的动作信息。现有的人体感知的大量研究方法,主要是采用可佩戴传感器或视频技术等方式,其成本高、操作复杂、受环境影响大、普及困难。而随着现代社会中WiFi技术的广泛部署,设备无关的WiFi人体感知技术在实用性、可靠性、普适性等方面都有巨大优势。所以本文的研究将基于WiFi信号中的CSI信息,并应用信号处理和机器学习相关技术手段来对不同的人体行为进行识别。虽然目前已有很多学者对WiFi信号感知进行了研究,但大部分工作所使用的设备是实验室阶段的PC机或笔记本配合路由器,搭建繁琐,移动不方便,不适用于应用场景,并且能够获取的子载波信息较少,研究方法存在无法挖掘出行为的细节信息,受环境改变影响大等问题。针对于此,本文使用更简易的设备,提出了5GHz WiFi下的人体行为检测方法。本论文主要工作如下:（1）搭建双路由器人体感知平台,分析子载波特性与检测精确度。在非定向商用WiFi天线下5GHz信号中提取CSI应用到算法中,测定CSI信号的变化特征的稳定性与人体行为的关系。由于目前常用的WiFi通信带宽为20MHz,802.11n可提升至40MHz,信号带宽的大小决定了WiFi感知的距离分辨率。目前的研究中大部分为Inter5300网卡或PC机下的Athrous网卡,能够提取到30个或56个子载波。而凭借商用路由器的Athrous9580网卡特性,可提取到114个子载波。子载波数目越多则可提取到的特征越多,提高了检测精确度。（2）提出了一种基于WiFi信号的人员行为感知方法Wi-CD。由于CSI子载波序列的差分性,大量细节信息隐藏于信号的时频特征中,更深层次的挖掘特征信号的信息,能够应用于更广泛和更细粒度的领域场景。针对于此,采用PCA选取最主要的信号特征组,并提出了一种离散小波变换和连续小波变换相结合的方法处理CSI信号,最后采用SVM进行建模,我们还分析了不同因素对实验结果产生的影响。（3）提出了一种基于CSI的室内入侵检测方法,通过提取全部子载波中的频率部分的特征信息,预测环境中信道的变化情况。针对现有的人员行为识别技术不足之处,采用小波变换提取具有统一性的特征,应用Logistic回归进行建模。本方法能够降低前期训练成本,不同环境中的鲁棒性较高,并且检测人员不同方式的行为不会影响检测精度。