如今物联网产业和无线射频识别（Radio Frequency Identification,RFID）迅猛发展,研究人员突破传统无源标签的局限性,开发出不仅能标识物体还具有复杂功能的集成式微处理器的可计算无线射频识别（Computational Radio Frequency Identification,CRFID）标签,其中最有代表性的就是无线识别和感知平台（Wireless Identification and Sensing Platform,WISP）这类标签,除了具备芯片体积小、成本适当、可无源工作等传统无源标签的优点外,还集成微处理器和各种传感器,如加速度传感器、温度传感器等,极大的丰富无源标签的应用场景,为物联网的创新带来新的发展方向。运动与健康检测是现今物联网创新应用的热门场景之一,如可穿戴设备小米手环、Apple Watch的畅销,室内老人和小孩的防跌倒监测,室内体感运动及游戏等,然而这些设备会带来便携性、能量损耗以及充电问题。针对以上问题,本文利用WISP标签的无源、可计算、无线传输等特性并结合其内置的微型加速度传感器进行用户行为检测的研究,主要做以下几个部分的研究:（1）首先深入探究WISP标签的组成原理,重点研究EPC C1G2无线通信协议并完成WISP标签的嵌入式软件开发,使其满足采集传感器数据以及无线通信传输的工作要求。同时还介绍了其硬件组成、计算能力、运行原理等。（2）对WISP标签开发完成后,根据其工作原理,完成整个WISP系统的环境搭建,WISP系统主要包含四个构件:阅读器、阅读器天线、WISP标签及后台计算机。并对整个WISP系统进行功能测试和系统验证,同时采集用户各种行为的加速度数据并且保存到本地。（3）利用集到的用户行为加速度数据集,依次进行可视化数据处理、数据滤波降噪,最终运用卷积神经网络（Convolution Neural Networks,CNN）模型对其进行模型训练,并对训练结果分析,从而有效的辨别出室内用户的不同行为,达到用户行为检测的目的,实验结果表明此方法最高能达到93%以上的分类准确率。综上所述,本文在WISP标签的基础上进行加速度数据采集功能的开发,完成了用户行为加速度数据的采集和处理工作,并且通过深度学习模型训练,实现了对室内用户行为的检测,扩展了WISP标签在现实生活中的应用场景,丰富了物联网的研究成果。