随着人工智能和物联网技术的迅速发展,人体活动识别成为了人机交互领域的重要研究方向。其中,基于商用Wi-Fi的人体活动识别技术部署代价低且不需要人体携带设备,因此具有广泛的应用前景。然而,Wi-Fi信号的传播路径极易受到干扰影响,要将该技术广泛应用仍具有难度。现有的基于商用Wi-Fi的人体活动识别方案大多使用人工特征和传统机器学习技术,在理想场景中虽然能达到较高的识别精度,本文验证了其在存在干扰的场景下识别效果不佳。为了提高基于商用Wi-Fi的人体活动识别技术的实用性,针对现有方法受干扰影响时识别准确率低、稳定性差的问题,本文提出了一种干扰场景下的人体活动识别解决方案,采用深度学习算法获得更抗干扰的识别性能,增加干扰检测反馈机制保障性能稳定。因此,本文主要针对两个核心问题展开研究。1.研究了一种更抗干扰的人体活动识别方法。为了得到适用于多种干扰影响的人体活动识别模型,本文首先建立了丰富的带干扰活动数据集。然后提出了适用于CSI数据的长短时记忆网络(Long Short-Term Memory,LSTM)算法,建立了不同干扰下的IT-LSTM人体活动识别模型。实验表明,与基准机器学习方法相比,该方法将干扰场景下的活动识别平均准确率从46%提高到79%。2.研究了一种保障识别性能稳定的干扰检测方法。为了提高干扰检测的精度,本文首先对CSI数据进行时频域分析,构建干扰信息丰富的频谱指纹,然后利用卷积神经网络训练干扰检测模型,并提出了一个评估模型性能的基于模型解释器的方法,通过标记模型识别时依赖的关键信息,观察模型是否学习到了区分干扰类型的稳定信息,从而判断当前模型是否可靠。实验表明,在9类干扰检测任务中,该干扰检测模型实现了94.38%的检测精度;在活动识别任务中,该方法为活动识别方法提供反馈,从而将干扰场景下的活动识别平均准确率提高17%,平均误判率降低24%。本文评估了三种存在干扰的室内场景下的识别性能,结果表明,所提带干扰检测反馈机制的无线人体活动识别方案实现了90.55%的平均准确率和2.5%的平均误判率。