位置信息如今已成为军事和民用等诸多领域中所必须的基础数据,发挥着越来越重要的作用。与传统定位方式要求定位目标必须携带与定位系统相匹配的定位设备(如GPS接收机、手机等)不同,无设备目标定位(Device-free localization,DFL)无需定位目标携带任何定位装置,也无需定位目标主动参与定位过程,因此DFL在人员搜救、非法入侵检测、特殊情况下的老人照料等传统定位方法无法实现的定位领域可以发挥重要作用。相比于现有的基于摄像头,超宽带雷达,红外和超声波等技术的无设备目标定位,基于无线传感器网络的DFL技术因其成本低、通用性好并能够穿透墙壁、烟雾进行定位等优点,因而成为当前DFL领域的一个研究热点。并且随着DFL技术的发展,这种只需检测目标对电磁场影响而无需目标主动参与的感知方式被应用到定位以外的领域,形成了更广义的无设备感知(Device-free Sensing,DFS)技术研究,其应用涉及姿态识别、呼吸率估计和目标速度测量等诸多领域。在此背景下,本文围绕“无设备目标定位”和“姿态识别”两大问题展开研究,利用测量得到的接收信号强度(Received Signal Strength,RSS)信息和信道状态信息(Channel State Information,CSI),实现更为准确的无设备目标定位和姿态特征识别,论文主要工作包括以下几个方面:(1)自主搭建了基于CC2530模块的RSS信息测量系统和基于Intel 5300网卡的CSI信息测量系统。其中,RSS信息测量系统能够实现对监测区域目标动态信息的实时采集,同时其具有低复杂度、低成本、低功耗等特点。CSI信息测量系统不仅具备RSS测量系统的功能,而且能够提供更为丰富的时域和频域特征。(2)针对RSS容易受到环境变化和噪声的影响,射频层析成像(Radio Tomographic Imaging,RTI)的结果图上往往不可避免地存在着背景噪点,有时甚至还有伪目标出现在图像上,为了提高RTI成像质量,本文给出一种基于稀疏自编码器的增强型RTI方法,该方法利用稀疏自编码器的学习能力来提取有效受目标影响的链路特征信息,并结合支持向量机(Support Vector Machine,SVM)进行目标提取,从而达到克服噪声影响和提高定位精度的目的。室内外实验结果表明,该方法的成像质量和定位精度都要优于现有RTI方法。(3)基于循环神经网络(Recurrent Neural Network，RNN)分别给出了用RSS和CSI信息进行人体姿态识别的方法,并利用长短期记忆(Long Short-term Memory,LSTM)技术增强RNN的姿态识别性能。同时,利用四次小波变换对RSS和CSI信息进行进一步特征提取,然后分别利用RNN-LSTM和经典的贝叶斯分类算法结果进行姿态识别,并进行了对比。实验结果表明,该方法的姿态识别效果优于贝叶斯分类算法。最后总结了本论文的研究工作,并对现有工作中的不足进行了归纳,并对不足之处提出了改进意见,以便在今后的研究中进行完善。