随着互联网的发展,人机交互技术已经变成人工智能领域内的核心技术之一,世界范围内,越来越多的科研人员投入到该领域,使得这方面的技术正在飞速发展。传统的人机交互方式有的需要借助于声音识别,视频图像分析,有的需要使用者佩戴传感器设备,这都会影响用户体验。考虑到这些问题,基于无线信号的人机交互技术已经成为了技术人员研究的热点,具有更广阔的使用前景。本文结合无线信号处理和机器学习理论提出了一种新型的、基于Wi-Fi信号的人体动作识别方案。本文从系统搭建,数据采集,数据流分割,特征提取,分类识别五个方面展开了研究,主要工作如下:针对商用Wi-Fi设备,如无线网卡,终端等无法获取物理层数据的问题,本文利用软件无线电平台USRP N210搭建了基于IEEE802.11a的通信系统,同时在协议中,用于信道估计的模块中,增加了前导数据采集的功能。通信过程中提取的前导数据是连续的数据流,要进行动作识别,首先需要提取独立的动作信息,也就是需要确定动作样本在数据流中的起点和终点位置。本文提出了基于数据流的端点检测算法来完成动作信息的提取。为了实现有效的人体姿势识别,本文对特征提取进行了研究,本文提出利用卷积神经网(CNN)络来完成对动作样本的特征提取的工作,通过与统计特征做对比,证明了卷积神经网络在人体动作样本的特征提取方面具有明显的优势。在上述基础上,采用了极限学习机来实现样本分类,仿真和测试结果表明,本文提出的人体动作识别方案,能够在样本数量较少的情况下,有效实现了 9种常见动作的识别,平均识别率可达到94.7%,具有一定的研究价值和实用性,为基于无线信号的识别问题提供了新的解决思路。