随着室内无线局域网(Wireless Local Area Networks,WLAN)的广泛部署和智能终端对IEEE802.11协议的普遍支持,面向未携带任何信号收发设备的未知目标的入侵检测服务需求呈现大幅增长趋势。基于WLAN的未知目标入侵检测技术利用WLAN信号波动特性与入侵目标位置的相关性实现对入侵目标的检测与区域定位,可广泛应用于智能家居、安防监控、反恐维稳和灾害救援等诸多领域。目前系统通常依赖于WLAN入侵指纹库的构建与学习,但存在三个主要问题:构建WLAN入侵指纹库的大量成本开销问题、面对变化的监测环境WLAN入侵指纹库的不适用问题以及WLAN入侵指纹库学习方式复杂及入侵检测性能鲁棒性低的问题。为了解决上述问题,本文提出了一种射线辅助生成模型的室内WLAN未知目标入侵检测技术,其主要研究内容如下:首先,为降低WLAN入侵指纹库的构建开销,本文利用遗传算法对传统的射线追踪算法进行改进,提出基于自适应深度射线树的准三维射线跟踪模型以刻画WLAN信号在室内固定设施和入侵人体目标下的波动特性并构建虚拟WLAN入侵指纹库。其次,为提高WLAN入侵指纹库的可用性,本文巧妙地利用传统生成对抗网络(Generative adversarial networks,GAN)的对抗学习思想,提出一种射线辅助生成模型的虚实联合学习框架,通过真实的无监督WLAN入侵指纹数据更新虚拟WLAN入侵指纹库,从而获得精炼WLAN入侵指纹库。最后,为降低WLAN入侵指纹库匹配的复杂性,本文在射线辅助生成模型的虚实联合学习框架的上融入基于概率神经网络(Probabilistic Neural Network,PNN)的入侵检测器,利用虚实联合数据的多元特征信息对其进行快速训练充分挖掘WLAN入侵指纹数据与入侵目标位置的相关性,以提高入侵检测及区域定位性能的鲁棒性。同时,本文进行了大量实验,实验结果表明,本文所提方案不仅能保证较高入侵检测精度,同时可明显减少WLAN入侵指纹库的建库成本。