人体活动分析在人机交互、人工智能、安全监控、智慧医疗等领域具有广阔的应用前景，其目标在于自动感知用户活动以提供个性化的智能服务。自动识别休克、摔倒等危险活动并及时向医护人员报警，有助于保障生命安全;同时，在特定地点识别到的异常活动生物指纹可以协助警方破案，有助于维护社会治安稳定。现有的异常人体活动检测技术通过在检测环境中部署摄像头，运用图像处理技术在图像或视频中跟踪目标用户，或将加速度、陀螺仪等传感器部署在移动设备以提取精确的运动特征。这些方法存在以下不足:首先，他们依赖外部传感设备或摄像头从而限制了使用方法和感应范围;其次，由于图像承载了过于丰富的个人信息，存在较为严重的隐私泄露危险;再次，图像采集设备只能在直线视距下工作，存在盲区并且对光线有较强的依赖性;最后，目前的视频分析技术对处理性能和网络带宽有较高要求，受视角、背景和姿态等因素影响，很难在实际系统中得到应用。　　近年来随着无线技术的提高以及网络覆盖面积的扩大，采用IEEE802.11a/g/n协议的无线路由器逐步普及到日常生活中。无线通信网络基础设施能够长时间维持信号稳定，获取无线通信网络的传输数据特征来感知空间环境不仅可以满足基本通信要求而且有助于无线通信网络资源的有效利用。本文在现有WiFi设备上提取信道状态信息(Channel State Information，CSI)，致力于分析人体活动对物理层信道状态信息的影响，研究基于WiFi进行异常活动识别与检测，并确定发生异常活动的用户。避免了传统异常活动检测的弊端，充分体现“用户自由”。本文的主要研究内容和创新点如下:　　基于物理层信道状态信息的活动识别:摒弃了传统活动识别技术的隐私泄露风险，本文提出一种基于物理层信道状态信息的人体活动识别方法，通过信道状态信息采集、数据预处理、特征提取、分类识别，基于多个正交频分复用子载波之间的关联性进行子载波选择，在连续信道状态信息数据流中自动准确切割不同的人体活动并区分两个变化微弱的细小活动。实验结果表明，该方法可在现有WiFi设备上有效提高人体活动识别的准确率。　　基于物理层信道状态信息的异常活动检测:本文提出一种基于非参贝叶斯分层狄利克雷过程的异常人体活动检测方法，设计了一种基于正交频分复用子载波相位和幅度变化的异常活动构建模型，通过对人体活动影响的信道状态信息进行相位校准，在改进的分层狄利克雷过程模型中自动学习信道状态信息时间序列的聚类中心数目，实现异常人体活动的检测。实验结果表明，该方法可在直线视距和非直线视距条件下自动检测异常人体活动。　　基于物理层信道状态信息的步态识别:本文提出了一种基于无线信号的步态识别机制，根据短时傅立叶变换将商用WiFi设备上提取到的信道状态信息时间序列转换为频谱图，在频谱图中基于时间、频率、能量提取步态循环时间、步行速度等步态特征进行分类识别，同时设计了一种基于滑动窗口能量的方法确定步态循环时间。实验结果表明，该机制能够有效地识别人体身份。