近来,现有的人体行为识别系统主要分为接触式和非接触式两种。与接触式实现的行为识别系统(比如可穿戴设备)相比,非接触式系统拥有避免接触到隐私的特点,并且适合长期监测。对于接触式系统,当设备和人体不接触时,它的感应和识别能力会很明显的降低甚至不能识别。与可穿戴设备类似的基于传感器的系统也被广泛应用。然而大部分基于传感器实现的识别系统需要部署在固定的地方,仅仅在某些固定场合可以正常工作。相对应的,对于两种非接触式的人体行为识别系统分别是基于视频和基于无线射频设备。基于视频实现的人体行为识别系统可以直接利用视频数据或者大量的图像资源完成识别,但是受限于特殊的视频图像采集设备和场景条件,并且成本高,高消耗。基于无线射频设备实现的人体行为识别系统主要涉及有连续波雷达,ZigBee,Wi-Fi等技术。其中Wi-Fi设备属于应用普遍和部署简易的公共设施,基于Wi-Fi非接触式方法的人体行为识别系统具有低成本,易部署的优点。本文针对以上限制,提出了基于Wi-Fi信号的采集,使用机器学习和深度学习模型识别室内人体行为。它有两个有优点:一是非接触式的,二是硬件已经广泛铺设,推广成本较低。本系统使用了两种方法策略,分别是基于机器学习分类器算法模型和基于卷积神经网络模型,通过这两种模型训练来拟合Wi-Fi信号和人行为之间的非线性关系。在本次课题实验中,通过一个月的时间,在同一测试环境下连续采集Wi-Fi信号数据,同时分析和总结了 Wi-Fi信号和人行为之间的非线性建模的难点和挑战。本文做了大量的实验来分析和研究RSSI并且基于CSI作为对比实验。实验结果显示利用智能手机采集Wi-Fi信号分析人的行为对于信号的影响识别人体行为系统的可行性。本文提出了利用RSSI识别人体行为系统,使用机器学习分类算法实现了平均95%的预测准确率,使用卷积神经网络达到了最高97.7%的识别率。