随着科技建设的快速发展和繁荣,WiFi信号在公共生活中被广泛地普及和应用。WiFi信号的身份认证作为一个新兴的研究热点,正在得到如普适计算、人机交互、入侵检测等多个领域的广泛关注。WiFi信号研究具有部署方式简单、部署位置隐蔽、应用场景范围广泛、成本低廉等优点。同时,WiFi信号中的信道状态信息能够被用于分析人的行为姿势和身份特征,从而为身份认证技术提供有力的数据基础。首先,每个人的手势都具有某些细微而独特的行为特征,这些特征包括但不限于运动周期、运动距离等因素。经过实验证明,在相同的环境条件下,不同的人的手势动作引起的信道状态信息的振幅变化各不相同。因此,本文提出一种手势场景下利用信道状态信息完成身份认证的方法。在经过数据的去噪和降维过程后,该方法通过一种基于窗口的动作区间分段算法对数据中的动作区间和动作间隔区间进行分段,并且根据分段结果分析手势动作的运动情况。为了实现对不同手势的身份认证,本文应用SVM分类器对动作区间的数据进行手势动作的识别。运动分析过程中,本文通过希尔伯特变换计算动作区间内的运动距离和运动速度,并形成运动序列的特征集合。最后,应用BP神经网络完成对多种手势的身份认证过程。在实验分析阶段,该方法在多种手势下的认证准确率达到95.8%。其次,本文提出一种在人体行为场景下通过信道状态信息完成身份认证的方法,该方法能够通过连续的人体行为实现对行为者身份的认证。在数据预处理阶段,该方法通过Butterworth低通滤波器对信道状态信息数据进行环境噪声的消除。为了降低数据的计算量,提出一种应用主成分分析法结合主成分阈值的时间区间识别算法。通过设置成分占比参数,该算法能够对信道状态信息进行相应比例的成分提取和动作分段过程,并根据动作间隔区间的时间集合对信道状态信息的子载波进行无效数据的简化过程。为了加快认证速度并提升认证结果的准确率,本文采用DenseNet-BC类型的稠密卷积神经网络模型完成身份认证的过程。在实验验证与对比分析阶段,该方法的整体认证时间明显少于同类方法,并且在多人的认证过程中的平均准确率在96%以上。本文提出的基于信道状态信息的身份认证方法,能够在手势场景下和人体行为场景下提供高效准确的认证结果,扩充了认证的应用场景的范围,具有推广意义和实用价值。