随着5G技术（5th Generation Mobile Networks,5G）和物联网技术（Internet of Things,Io T）的飞速发展,通信-感知-计算融合技术已成为新一代通信系统发展的新愿景。随处部署的Wi-Fi设备可通过简单方式获取信道状态信息（Channel State Information,CSI）,由于CSI可以细粒度地描述室内环境中电磁波的多径传播情况,目前其已被用于多类通信感知应用,典型如对人体摔倒动作的感知。但现有方法尚存在诸多不足,如仅从单一维度实现摔倒动作建模,难以完成摔倒动作的细粒度建模表征;此外,现有识别方法仅使用单层分类算法,并未细致挖掘场景变化对于样本特征权重和识别算法的影响,以至准确性和鲁棒性均有不及。为解决上述问题,本文研究基于CSI多域统计特征融合的人体摔倒感知方法。研究人体摔倒动作表征与建模。建立基于CSI多域统计特征量的融合建模方法,以获得摔倒动作的细粒度表征,包括CSI数据预处理、动态路径特征联合估计、以及多域统计特征量融合。首先,为去除相位噪声和凸显摔倒动作特征,在预处理阶段利用线性变换实现相位校准,并通过天线间共轭相乘提取动态路径成分;其次,针对现有方法特征估计误差较大的问题,利用空间交替广义期望最大化（Space-alternating generalized expectation-maximization,SAGE）算法实现天线阵列到达角度（Angel of Arrival,Ao A）、信号飞行时间（Time of Flight,To F）和多普勒频移（Doppler Frequency Shift,DFS）的动态路径特征联合估计;最后,为精确提取摔倒动作,完成细粒度的摔倒动作建模,利用多域统计特征融合求取人体运动速度和动作时间窗口。实验结果表明,本文融合方法相比现有算法,Ao A、To F和DFS误差分别降低了34.8%、23.9%、20.0%,且能有效截取最佳的时间窗口,从而获得更细粒度的摔倒动作建模。研究人体摔倒动作的高效识别方法。首先,深入分析了场景变化对于特征权重和识别算法的影响,基于此提出了面向多场景适配的人体摔倒感知识别方法,具体包括两层分类模型:第一层针对现有识别方法鲁棒性差的问题,利用随机森林（Random Forrest,RF）模型对于样本数据学习,以挖掘样本集与特征权重之间的关系;此外,鉴于权重较小的特征易受到环境噪声的干扰或存在异常数据,在第一层分类模型中滤除特征权重过小的特征,仅保留有效特征。第二层则针对识别准确性提升的难题,应用支持向量机（Support Vector Machine,SVM）依据场景有效特征完成摔倒动作的识别,利用分类超平面对于特征集合进行有效的划分;进一步,对于SVM应用了Ada Boost算法,以SVM为弱分类器进行强化学习。实验结果表明,所提识别方法在多种实验场景下可以获得平均95.7%的识别准确率、6.1%虚警率、以及4.0%的漏警率。