随着现代科技和生活的不断进步,对室内环境中人体目标的活动状态监测的需求愈加迫切。穿墙场景下的人体目标行为识别在智能家居、反恐和应急救援等方面都具有重要的应用前景。由于近年来Wi-Fi设备的广泛普及与研究人员对Wi-Fi物理层信息的不断开发,通过分析物理层中的信道状态信息(Channel State Information,CSI)进行墙后目标行为识别近年来受到学者的广泛关注。现有的基于CSI的墙后目标行为识别方法主要存在以下不足:一、缺乏在利用Wi-Fi设备进行穿墙人体目标行为识别时墙体等障碍物对信号影响的分析,而且缺乏针对墙体阻隔引起的干扰抑制相关研究;二、大多数行为识别相关研究提取的特征单一,对人体活动对于信号本身影响的探索较少。针对上述问题,本文开展了基于Wi-Fi的墙后目标行为识别算法的研究,主要内容包括:首先,开展基于Wi-Fi墙后目标行为识别的干扰抑制算法研究。本文首先搭建了基于商用Wi-Fi设备的CSI数据收集平台并对接收信号在穿墙情况下的传播情况进行分析与建模;然后分析CSI幅值和相位与人体活动的相关性,并对CSI信号的相位误差进行分析与修正;在此基础上对信号进行数据预处理,其中包括异常值去除、去趋势和动作时间序列分割三个步骤;接着利用离散小波变换对CSI信号进行干扰抑制,去除CSI信号中的墙面干扰,完成信号的重构;最后通过主成分分析,完成信号空间降维以及子空间选择,挑选出对人体活动更敏感的信号子空间。其次,开展多特征提取算法研究,首先利用皮尔森相关系数及傅里叶变换分别提取时、频域的相关性特征;然后提取信号的时频特征,并针对相似动作提取对小幅度动作更加敏感的时频特征。然后,采用随机森林算法对提取的多维特征进行训练,构造分类器。以此得到鲁棒性较强的行为识别分类器。最后,本文在两种不同环境下采集CSI数据并进行相关实验,以此验证系统性能。实验结果表明,本系统在办公室(墙体材质为空心墙)以及会议室(墙体材质为玻璃)的测试环境下平均识别准确率分别可达92%与96%。