无线感知是一种通过分析受目标状态影响的无线信号来获取感兴趣目标状态信息的新兴非接触感知技术。该技术利用周围广泛存在的无线信号来对目标状态进行感知,其具有低成本、不受光照影响、隐私性较好等优点,因而使得其在智能家居、智能监护、人机交互领域有着广泛的应用前景。受深度网络在计算机视觉领域广泛应用并取得丰富成果的启发,无线感知技术近年来很多工作都倾向于采集无线数据集,然后基于数据构建无线射频图像数据集,接着采用深度网络来对无线射频图像数据集进行信息挖掘提取,从而实现感兴趣目标的手势、步态等感知任务。然而,基于深度网络的无线感知往往需要巨大的计算资源与存储资源,这就使得基于深度网络的无线感知技术难以部署在资源有限的无线设备上以实现实时感知。为解决上述基于深度网络的无线感知技术资源消耗较大的问题,本文提出从增强轻量级网络的学习能力和减少复杂网络的网络冗余两个角度来实现轻量化的无线感知。针对增强轻量级网络学习能力的目标,受人类学习知识时向有经验的老师学习和自己从多角度观察总结学习可以提升自己学习能力经验的启发,本文提出基于多维学习的策略来增强轻量级网络的学习能力。具体地,对于向老师学习这种学习模式的模仿,本文提出基于知识蒸馏策略,利用具有良好感知能力的复杂网络提供知识,然后轻量级网络在从数据中学习时根据复杂网络提供的知识来对自己的行为进行调整与改进,从而增强自己的学习能力;此外,对于多角度观察总结这种学习模式的模仿,本文提出基于多感受野策略,利用多尺度卷积核处理数据并进行融合来提升轻量级网络的学习能力。针对复杂网络冗余减少的目标,基于人工设计的深度学习网络中会存在大量冗余的事实,本文利用冗余裁减对无线感知网络性能影响较小的思想来度量无线感知网络中的冗余,并对其进行裁减,从而使得只要利用裁减后的紧凑网络就可以实现轻量化的无线感知。具体地,本文提出使用费希尔信息量来度量无线感知网络中滤波器裁减会对无线感知网络性能造成的变化,进而依据费希尔信息量越小,无线感知网络中滤波器裁减对网络性能影响越小,滤波器越不重要的原则来对无线感知网络中的冗余滤波器进行裁减。本文基于毫米波信号,设计了大量的无线手势识别实验来对基于多维学习策略和基于冗余裁减策略实现轻量化无线感知的方法进行验证。实验结果表明本文提出的方法均能有效地实现轻量化的无线感知,这对推动基于深度网络的无线感知方法走向实际运用具有重要意义。