近年来,在智能感知和深度学习的各种应用中,人流量监测任务取得了很多不错的研究成果。随着经济、文化的繁荣发展,对于像火车站、地铁等交通枢纽来说,游客数量的大量增加会给其带来很多不可控因素,这时对于人流量的突变情况做出实时分析,可有效对大密度人群进行合理疏散,快速高效完成交通资源分配,因此人流量监测对我们的生活具有比较高的研究意义。本文提出的基于信道状态信息的人流量监测无需被监测人员佩戴任何辅助设备,不会涉及人员隐私,利用被监测人员对信道状态信息的影响来进行人员统计分类,真正做到无源监测,实现了智能感知人流量的目的。针对人流量统计技术,本文提出基于信道状态信息的方法,采用Intel 5300网卡以及Linux 802.11n CSI Tool驱动的小型工控机采集数据,利用人体对信道状态信息的多径影响,结合深度学习网络可以很好地学习到数据潜在规律的特征,从而能够实现人流量的分类识别统计。首先,通过搭建模拟实际行人通过的实验环境完成采集数据。第二,提取有效数据包,采用巴特沃兹低通滤波进行滤波,并使用主成分分析对采集数据进行降维预处理,然后使用短时傅里叶变换提取特征,获得频谱信息作为深度学习网络的输入。第三,利用人流量频谱信息特征,构建了一个基于深度学习网络的人流量统计分类的方法,可以很好地学习到数据潜在规律特征。最后,在典型的真实场景中通过大量的实验来评估其性能,验证了该方法在人流量监测方面能达到较高准确率,具有良好的有效性。本文提出的基于信道状态信息的人流量监测方法不需要获取被动监测人员的个人关键信息的,也不需要佩戴任何实验设备,从而很好的做到了保护个人隐私,提高了被动监测群体的通行效率。该方法相比于传统的人流量监测方法环境搭建简单、设备成本低、计算量小、易于实现且有很强的环境适应能力。利用信道状态信息能更细粒度的实现人流量统计分类,同时对无线智能感知技术的发展具有十分重要的意义。