传统行人监控主要依赖视频分析、红外成像等方法,难以有效兼顾经济性、隐私性、可扩展性等诸多要求。近年来,因WiFi具备分布性广、信号普适性高、感知灵敏性强等特点,基于WiFi信道状态信息（WiFi-CSI）的无源感知方法逐渐受到学术界与企业界的广泛关注。然而,目前研究大多基于样本学习方法,往往存在以下两点不足:a)离线阶段样本采集开销大,b)跨场景条件下感知鲁棒性不高且可扩展性不强。鉴于此,本文深入探究了基于WiFi-CSI无源感知的可扩展行人监控技术,具体研究内容及创新点概述如下:首先,针对离线阶段样本采集开销大问题,本文提出低开销行人活动样本采集（LPASC）方法。具体地,首先提出原始CSI数据压缩（RCDC）策略,包括滤波、子载波选择、压缩等手段,可有效克服WiFi因频率选择性衰落、相干带宽等因素引起的信号特征不稳定等问题。然后,提出两阶段聚类（TC）策略,根据菲涅尔区理论选取特征,并基于两次聚类完成活动样本的自动切割及分类标注。进一步,针对跨场景条件中系统扩展性不足且感知模型泛化能力差的问题,本文提出基于单组WiFi设备的跨场景行人监控CSPM-ST方法。具体地,本文针对行人通行检测和方向识别两个子任务进行研究,并分别提出统一分割及检测（USD）策略和动态方向计算（DDC）策略。USD策略在训练特征中加入具有场景识别能力的RSSI特征,以及采用多项式特征方法增强原始特征表达能力,从而得到适应跨场景感知的检测模型。DDC策略采用了多感知链路布局,并通过综合分析各链路CSI数值变化特征完成通行方向的估计。最后,本文实现了所提系统原型,采集了包含干扰活动和通行活动共2880个活动样本,并在8种不同场景中进行实验验证。首先,从样本采集完成情况和模型推断准确性两个维度对LPASC方法进行评估。然后,针对USD和DDC策略分别进行评估,进而验证CSPM-ST方法的有效性。最后,本文在不同场景、不同视距路径长度、不同行人、不同行走速度等实验条件下对系统进行了全面的性能测试,实验结果充分验证了系统的鲁棒性。