随着人工智能和互联网技术的快速发展,人们对于人机交互的需求已经遍及生活和工作的方方面面,而作为人机交互必不可少的人体姿态识别技术受到研究者们的广泛关注。基于无线信号的人体姿态识别技术因其无需携带设备、不受光线以及隐私等条件制约备受青睐,本文选用Wi-Fi信号,生活中最为常见的无线信号,搭建一套人体姿态识别系统,从物理原理以及规律观察等方面入手,利用信号处理和模式识别技术,研究快捷、准确的人体姿态识别技术。本文首先分析了无线信号传播理论,并利用商用网卡中记录的细粒度的信道状态信息作为原始数据,分析研究者们常用的数据预处理、特征提取、分类算法等步骤中的具体方法。在观察受不同姿态影响下的时域信号波形时发现相关性规律,利用子载波的时域幅值在时序上的负相关特性,将呈现负相关特性的子载波序号对进行聚类,可以在4个不同位置对5类姿态进行分类时获得平均83%的识别精度。为了进一步提高识别精度,将子载波序号对作为特征,使用有监督的分类算法进行分类,最高可以获得93.6%的识别精度。此方法省略了数据预处理以及数据降维等步骤,大大节约了计算成本。当前基于Wi-Fi的人体姿态识别系统对于位置受限的问题并没有很好的解决方案。本文搭建了一套不受位置限制的人体姿态识别系统,提出使用到达角度差(ADOA)作为物理特征对6种不同的姿态进行分类。该系统通过对信号原始相位信息进行处理,获取只与人体姿态相关,而与用户位置以及背景环境无关的特征ADOA。然后使用主成分分析方法降低维度,对降维后的数据进行插值处理并对曲线进行多项式拟合,从而使信号波形更加平滑。最后,本文选用双向长短时记忆网络作为理想的训练网络。在常见的实验场景中,对24个不同的位置上的所有数据集进行混合训练,最终实现对6种姿态93.7%的识别精度。