人体行为识别在医疗、商业和军事领域中具有广泛而深远的应用价值。目前高准确率的人体行为识别技术大多依赖于专用设备,这些设备由于受自身条件以及使用场景的限制,无法全面满足各种不同人体行为监测的需求。基于无线Wi-Fi信号的人体行为识别技术拥有成本低、无入侵、普适性好等诸多优势,本文研究了基于Wi-Fi信道状态信息(Channel State Information,CSI)的周期性运动识别与计数问题,实验结果表明在多个复杂的室内应用场景(多人)下,本文研究实现了具有较高精度和较高鲁棒性的周期性运动的识别与计数。论文的研究内容与贡献包括以下两个方面:1.通过多模型训练的方法,研究实现了周期性运动识别。本文使用因子分析(Factor analysis,FA)进行有效信息的提取,并研究分析了其优势与使用的必要性;研究利用动态阈值的方法监测周期性运动的开始和结束,并从时域与频域的角度提取周期性运动的特征;通过比较不同机器学习分类算法的准确率,研究使用随机森林建立了Wi-Fi信道状态信息与人周期性运动类别之间的关系模型,同时从理论与实验两方面,证明了使用多个随机森林模型投票预测的方式可以提高系统预测准确率的结论。2.以周期性运动识别为基础,研究实现了周期性运动计数。本文使用汉克尔(Hankel)矩阵保持CSI数据的结构特征;为了从多人的周期性运动信号中分离出单人信号,本文基于汉克尔矩阵的秩与周期性运动人数之间的关系,通过CP(Canonical Polyadic)分解技术从CSI张量中分解出独立信号,并从理论上证明了分解的唯一性;为了匹配分解的信号对,本文以离散弗雷歇(Fr′echet)距离为信号相似度指标,利用稳定的舍友匹配算法匹配信号,然后以取平均的方式进行信号融合,周期性运动计数则采用鲁棒性较好的波峰检测来对其进行计数。