人群计数是指在监控区域中进行数据收集,通过计算机对数据的处理,从而分析得到其中的的人数。它在公共安全管理,交通检测,市场分析等方面有着广泛的应用。目前较为成熟的人群计数工作大多是计算机视觉方向的。但是由于用户隐私与光照条件的限制,这些工作无法全面满足各种不同的人群计数监测的需求。Wi-Fi凭借着成本低、非侵入性、普适性好等诸多优势,也引起了不少学者的研究兴趣。本文研究了基于Wi-Fi信道状态信息（Channel State Information,CSI）的人群计数问题,并通过加入对人群行走方向的识别解决了现有无线工作存在的最大识别上限问题。论文的研究内容与贡献包括以下两个方面:只通过一对收发设备来识别人群行走的方向。本文将实验收发设备放在了门口两侧来收集人群进门与出门的数据。利用墙壁对信号的衰减效应,使得可以通过算法检测进门与出门之间信号功率变化的差异来识别人群移动的方向。本文使用的检测算法是基于CSI功率的波峰出现频率与峰值大小来进行判定的,因为波峰的变化代表了人体动作对于信号的影响程度。当人体移动的越快,出现波峰波谷的频率会相应增高。而峰值的大小是由信号功率的强弱决定的,所以越靠近视距（Line of Sight,Lo S）或者说越靠近发射端,对应的峰值也会越大。量化人数与相应的CSI特征的相关性。当人群进行移动时,人与人之间的信号干扰使得一些关键信息丢失,这也是多人工作较难的主要原因。当人群移动时,身体的躯干比其他肢体（手,脚等）具有更大的反射面积,因此它能反射更多的信号并主导了CSI波形的变化趋势,这也就意味着躯干的信息不容易被其他人的动作信息淹没。本文利用Lo S附近躯干的不同信号状态来检测人群的数量。为了提取这些不同的信号状态信息,本文使用了新颖的振幅与相位共同组成的一种特征值来刻画这种信号变化特征。为了使系统更具鲁棒性,本文最终使用了一种异构学习方法生成的训练模型来解决跨环境的难题。最终,本文在三个场景下的方向估计平均准确率分别是87.4%,85.8%和79.4%。而在跨场景下的人群计数平均准确率分别为82.4%和81.6%。