随着通信技术以及人工智能技术的深入研究,人体识别技术有了更广阔的发展前景。人体动作识别可以获取用户的状态和行为来进行人机交互,适用于很多行业。目前,细粒度的信号信息可以在廉价Wi-Fi设备中获取,基于信道状态信息（CSI）的动作识别技术成为了研究热点。针对传统的动作识别系统难以识别相似动作的问题,本文开展了基于改进支持向量机（SVM）和Wi-Fi信道状态信息的动作识别系统的研究。论文主要工作成果包括:（1）针对差分进化算法（DE）,提出一种基于抛物线函数和历史进化信息的多策略自适应改进方法。通过四种策略改进算法,使缩放因子、变异机制以及交叉概率自适应变化,防止算法在迭代初期陷入早熟,同时改善了算法的全局搜索能力,从而提高了算法的寻优性能。将改进的算法命名为多策略自适应差分进化算法（MSADE）。（2）提出了利用MSADE算法优化支持向量机（MSADE-SVM）。面对实例应用中的非线性问题时,基于高斯核函数支持向量机的分类性能取决于核参数和错误惩罚因子的参数选择,惩罚参数和核参数影响着非线性SVM的识别精度和学习能力,对于这些参数的选择没有可靠的理论依据,常用的网格交叉验证的搜索方法往往取不到较好的参数组合。本文提出的MSADE算法的参数优化能力优于传统的搜索方法,可以实现支持向量机的参数组合优化,得到最优训练模型。（3）提出了一种基于改进支持向量机和Wi-Fi信道状态信息的相似动作识别系统。系统利用廉价Wi-Fi设备测量到的CSI获取动作信息,先通过三阶埃尔米特插值多项式进行插值,使得数据在时域上均匀采样,保证数据完整性,再采用Hampel滤波、小波阈值降噪和巴特沃斯低通滤波的联合去除噪声干扰,随后运用主成分分析（PCA）提取动作特征,最后利用MSADE-SVM识别出相似动作。在离线阶段,通过样本数据进行训练,得出最优训练模型。在线阶段,对获得的CSI测量值集合进行数据处理后放入最优模型进行分类识别。以站立二头弯举动作为例,实验结果表明,本文提出的相似动作识别系统具有性能优势,可以应用于未来的许多高精度应用场景。