随着计算机技术的发展,实现对人体行为的分析和理解,将人作为计算环节的一部分,是未来人本计算的发展趋势。近年来基于射频信号的行为分析技术引起了学者的广泛关注,其通过人体对射频信号的扰动特征来感知和分析人体行为,具有非接触、非视距、无需额外设备、不受光照影响等优点,可利用已有网络基础设施实现快速大规模低成本部署,具有很大的发展潜力。当前,射频行为分析已经被应用在日常行为感知、身份认证、呼吸心跳检测等众多应用中。然而,由于环境的复杂性以及信号传播的动态性,当前基于射频信号的行为分析仍然面临很多挑战:（1）射频信号具有非平稳、非线性的特点,传统处理方法如统计特征、短时傅里叶变换以及小波变换等无法高效准确的提取信号特征,导致识别精度受限;（2）射频信号受环境影响严重,单一场景训练的分类器在跨场景感知下性能急剧下降;（3）已有研究主要聚焦动作感知及识别,尚未实现对动作的深层化分析,无法有效理解人的意图。围绕以上这些挑战,本文在提高识别精度、跨场景感知以及分析深层化等方面展开了相应的研究。射频信号具有非平稳、非线性的特点,传统分析方法无法有效提取其特征,导致识别精度受限。针对这一问题,研究采用经验模态分解方法,获取信号本征特征,从含有噪声的信道状态信息中提取有效手势特征,构建基于商业Wi Fi信号的手势识别系统Wi Gesture,相对于小波变换等传统方法,WiGesture的平均识别精度提高了16%。射频行为分析通过采集受动作影响射频信号数据,提取特征,经过学习和训练,建立动作与特征的关联,达到根据信号特征识别动作的目标。然而,射频信号中不仅包含了动作信息,也包含了动作发生所在环境信息,环境的任何微小变化,都可能对射频信号传播产生重要影响,进而影响识别结果。针对射频信号传播易受环境因素影响的现象,通过改变环境因素,构建多样化识别场景,基于大量试验测试,分析穿墙、障碍物、位置、人员等环境因素对射频分析的影响,建立信号环境关系模型,为进一步降低环境影响,提高识别精度奠定基础。射频分析利用环境对信号的影响来实现感知,当变换场景时,信号传播路径会发生相应变化,导致同一动作下的接收信号截然不同,识别性能急剧下降。针对射频分析在跨场景时性能急剧下降的问题,设计子载波选择算法,自适应选择当前场景受动作影响最为明显的子载波,采用低秩和稀疏分解算法,将手势信号从背景信号中分离,降低场景变换对手势信号的影响,搭建基于商业WiFi信号的跨场景手势识别系统WiHand,在不需要重新训练的情况下跨场景识别精度达到93%,在穿墙的情况下也能达到91%。现有的射频分析研究主要聚焦到动作的识别上,而在特定场景下,更重要的是需要检验动作执行的质量。如何从动作本身提取额外信息,评估动作执行正确性以及动作执行质量,对进一步理解动作意图,实现行为分析深层化至关重要。创新性提出基于窄带射频信号的动作质量识别系统WiQ,设计基于深度神经网络的学习框架抽取动作质量信息,建立行为级的动作融合策略。通过采用动作质量信息,WiQ对于身体状态的识别率达到97%,对于15个驾驶员的识别率为88%。