在人类的各种日常活动之中,呼吸活动参数是生命体征信息的重要指标。目前的呼吸检测系统采用的检测方法主要分为接触式和非接触式,其中接触式方法普遍会影响用户的舒适性,并且使用场景具有局限性。非接触式方法之中,电磁波检测法相对而言性能较好,但是传统的电磁波检测法依赖于复杂和昂贵的硬件设备,限制了其普遍性与实用性。针对这些问题,提出了采用基于信道状态信息(Channel State Information,CSI)技术的人体呼吸电磁波检测方法,该方法价格低廉、具有良好的精确度和鲁棒性。另外,在CSI数据的基础之上,研究了呼吸运动的分类问题。为了解决传统呼吸检测方法存在的问题,首先,对CSI技术进行了可行性分析;然后,建立了一种呼吸信息提取模型;最后,进行了实验,采集了人体呼吸的CSI数据和作为对照的应变式呼吸传感器的数据,为人体呼吸信息的检测和呼吸运动的分类提供了理论基础和数据来源。针对人体呼吸信息的检测,首先,根据CSI数据的特征,比较了傅立叶变换、Gabor变换、小波变换、巴特沃斯滤波器、切比雪夫滤波器、卡尔曼滤波等几种传统的滤波算法后,采用小波变换的滤波方法;然后,提出了一种合适的阈值滤波方法,对小波变换进行了改进,实现了提取的呼吸信息的相对误差低于7%,同时还具有良好的鲁棒性,达到了较好的检测效果。针对人体呼吸运动的分类,比较了J48决策树、K近邻、支持向量机、BP神经网络、朴素贝叶斯等5种分类算法的结果后,选择了BP神经网络作为呼吸运动分类算法;针对此算法,提出了一种新的预处理方法,即获取每一层小波系数的协方差值作为小波域特征值,使预处理后的特征值更加差异化,最终使此算法的分类准确度达到了99.22%。之后,对神经网络进行调参,使分类模型最优化,准确度达到了99.78%。