近年来,基于无线信号的感知方法被逐渐应用于情境感知与人机交互等方面。其中,基于Wi Fi信号中的信道状态信息（CSI）具有更细粒度的识别特征。本文利用该信息识别技术对行走、下蹲、跑步和跳跃四种日常行为动作和真实摔倒与疑似摔倒人体行为动作分别进行研究。为了从低维特征中,提取出高维空间特征,进而提高识别精度,本文提出了一种融合图卷积神经网络和基于注意力机制的双向长短时记忆网络的人体动作识别算法（ATLSGCN）。离线阶段,首先将CSI的幅值与相位的复矩阵数据转换为图像RGB格式;其次,将其输入到特征提取能力强的图卷积神经网络进行训练并提取出人体动作的特征信息;最后,将提取的特征信息输入到基于注意力机制的双向长短时记忆网络进行二次训练得到人体动作识别模型AT-LSGCN。在线阶段,将经过RGB格式转换的CSI数据,作为ATLSGCN动作识别模型的输入,对四种日常行为动作进行分类识别。通过实验验证,该模型在多径效应不同的大厅、会议室、实验室三种环境的识别准确度分别为95.97%、93.53%和90.49%,其性能优于对比算法。为了有效地判别真实摔倒与疑似摔倒人体行为动作,提高动作识别准确度,本文提出了一种融合希尔伯特黄变换和概率神经网络的人体动作识别算法。训练阶段,首先对采集到的信道状态信息CSI进行幅度去噪与随机相位消除,并将幅度与相位融合信号作为基信号,其次对基信号利用希尔伯特黄变换来提取区分人体动作信息的瞬时幅值和瞬时频率作为分类特征构建特征矩阵,最后在遗传算法优化的概率神经网络中训练出能有效检测真实摔倒和疑似摔倒动作的人体动作识别模型。测试阶段,利用训练好的识别模型对输入的CSI数据进行摔倒动作的判别。实验结果表明,该算法在上述三种环境中分别达到了97.18%、94.15%和89.97%的识别准确度,高于目前相关算法的识别准确度。该论文有图39幅,表9个,参考文献51篇。