近年来,物联网Internet of Things(IOT)已成为新一代信息技术的重要组成部分。物联网的典型应用之一是在智能仓储系统中的应用。而仓储的管理主要分为对商品物流的自动化管理和对人员的管理两大类。无线射频识别技术(Radio Frequency IDentification,RFID)在这两类管理应用中都可以起到至关重要的作用。RFID是一种利用电子耦合和后向散射进行通信的非接触式自动识别技术。其在商品的远距离自动标识盘点、商品数量估计、人员访问控制、定位追踪、动作识别和人机交互等方面都获得了广泛应用。目前,尽管围绕RFID在智能仓库环境中的研究与应用已大量开展,但是RFID领域仍存在一些关键技术尚未得到很好解决。一方面,随着RFID系统在仓储中越来越大规模地部署,迫切需要阅读器在有限时间内和大量标签进行数据通信,采集标签集合的特定属性。在为上层应用服务的同时,满足数据实时采集的需要。另一方面,随着RFID无线通信技术和传感技术相结合的发展趋势,如何利用RFID标签感知人员动作越来越受到人们的关注。然而现在RFID动作感知的研究大多集中在利用标签的信号强度或相位信息,而无线信号容易受到多径传播和环境噪音干扰。较少工作探究如何利用人员佩戴的RFID无源标签就近采集传感读数,实现高精度的人员动作识别。为解决上述问题,本文针对RFID系统中高效数据采集和精确动作感知识别技术进行研究。一方面提高RFID系统中阅读器与标签的信息交互速度,无需采集标签ID就完成商品数量感知的任务,加速上层应用;另一方面高效采集RFID标签的传感读数,挖掘人员动作类型信息,为人机交互类应用提供底层信息支持。本文主要贡献总结如下:(1)针对仓储商品数量感知的需要,研究大规模RFID标签集合的流动性估计技术:阅读器在不同的时间或地点扫描商品携带的标签,得到两个不等长帧,通过联合分析估算标签集合的规模变化。因为帧中每个时隙有空闲和繁忙(又分为单独和冲突)两种状态,研究基于空闲和繁忙时隙的Partial Slots流动性估计方法。然后进一步利用帧中时隙的信号冲突状态,研究基于All Slots的流动性估计,提高估算精度。(2)针对仓储人员动作感知的需要,研究基于无源RFID感知标签的手势识别技术。仓储人员手臂佩戴RFID感知标签做手势动作,标签采集加速度数据;研究三级滤波技术去除噪音成分;然后采用小窗口绝对邻差的方法去除边界信息,提取出有效的动作数据;研究多次采样一次传输的技术提高采样率,进一步改善数据质量;提取时域频域特征,最后采用多种模式识别算法,完成多种手势动作的训练和识别。(3)在完成相关理论分析的基础上对商品流动性估计和人员手势识别进行验证。对于流动性估计,分别从帧负载因子、标签集合比例、公共标签比例、协议运行时间等方面比较几种流动性估计算法的性能。对于手势识别,评估每个动作类别的识别效果和整体识别效果,验证提高采样率之后的识别精度,并且评估动作类型数量的影响。综上,本文针对仓储系统中人员和商品管理的需求研究两类智能感知技术。对于仓储商品的感知,研究基于大规模标签集合的流动性估计方法,改善仓储系统的管理效率。对于人员的感知,研究基于无源RFID感知标签的手势识别技术,推动仓储智能化的建设。