近年来,人体行为识别技术在众多领域得到快速发展,已成为新的研究热点。随着WiFi设备在室内广泛部署,基于WiFi信号的行为识别技术引起广泛关注。在WiFi信号的传播过程中,人的行为会干扰信号的传播,包括振幅的衰减和相位的失真,信道状态信息(Channel State Information,CSI)描述了信道通信状态,可以通过测量信道状态的变化,分析信道状态的变化规律来实现人体行为的识别。由于墙壁干扰WiFi信号的传播,严重影响行为识别的精度,因此,设计与实现基于CSI的穿墙人体行为识别系统有着重要的研究价值。本文提出了一种基于CSI和深度学习算法的人体行为识别方法,实现了基于CSI穿过两面混凝土墙壁场景下的8种人体日常行为(行走、坐下、抬臂、踢腿、弯腰、下蹲、拳击、体侧运动)的识别,且行为的平均识别精度超过99%。首先,本文总结了国内外人体行为识别的研究成果,详细介绍了 CSI的基本原理以及深度学习算法的基础理论知识。其次,对基于CSI穿墙人体行为识别系统进行分析和设计,主要包括实验数据的收集、处理与分析,基信号的选择,卷积神经网络、长短期记忆网络、门控循环单元网络的搭建。然后,将包含有行为信息的实验数据转换成频谱图后,把包含CSI子载波振幅信息的频谱图输入卷积神经网络、长短期记忆网络、门控循环单元网络中,分别进行训练,实现了8种日常行为的识别。最后,对实验结果进行详细分析,和基于门控循环单元网络与长短期记忆网络的方法相比,基于卷积神经网络的方法平均识别精度最好,平均识别率分别为99.75%。通过和其他穿墙行为识别系统TW-See、WiHACS比较,证实本文所采用的方法可较高的实现穿墙人体行为识别。