随着物联网技术进入人们的生活,人们的日常生活变得越来越智能,智能家居等应用正在悄然升起并逐渐被人们接受。其中,室内入侵检测系统作为智能家居应用的重要组成部分,是智能家居的第一道安全屏障。相比于传统的入侵检测技术,新型的基于无线信号的设备无关被动入侵检测能够在无需用户随身携带任何与检测相关的专用设备的情况下,利用环境中的无线信号检测室内是否有人在活动,甚至识别其身份。目前随着WLAN(Wireless Local Area Networks)技术的普及,学者研究发现无线网络的作用除了通信,还能够作为一种无线传感器网络对环境进行一定程度的感知。尤其是802.11n网络使用了正交频分复用技术和多输入多输出技术,使得从中获取更加细粒度的子载波级别的信道响应信息成为可能,这为利用WiFi信号进行设备无关的室内入侵检测技术的发展提供了更好的机遇。虽然已经有大量学者对WiFi信号的感知作用展开了大量的研究,但是基于WiFi信号的设备无关被动入侵检测研究在国际上仍然处于起步阶段,大量贴近实际应用的问题仍然没有解决,包括人体检测的鲁棒性以及身份识别的有效性。本课题深入探索利用细粒度的物理层信道状态信息进行更加可靠的人体检测及身份识别,使基于信道状态信息的室内被动入侵检测技术向实用性更进一步。本文从室内被动入侵检测的角度出发,主要从以下几个方面展开研究:首先,为了提高在入侵者移动速度非常慢的情况下人体检测方法,本文提出一种人体移动速度无关的被动人体检测模型,首次提出一种度量,能够从整个信道中捕捉信道状态信息波动的特征,对环境变化更加敏感,并将人体检测问题转化为概率问题,使系统能够检测到不同移动速度的人。本文进行了大量的对比实验,相比之前的基于单一子载波提取特征的被动人体检测方法来说,此方法能够在不明显增加计算复杂度以及时间延迟的前提下,大大提升了入侵者慢速移动时的检测精度,能够达到低于1%的误报率及漏报率,得到令人满意的检测性能。其次,针对入侵者以非常规方式在室内移动时,现有的人体检测会失效的问题,本文提出一种基于频域特征的高鲁棒性被动人体检测方法,从所有子载波中利用连续小波变换提取鲁棒性高的频域特征,能够捕捉整个信道的细微变化,可以适用于不同的室内环境,甚至达到无监督的目的。相比之前的人体检测方法,本文提出的方法一方面可以极大地减少前期勘测训练给系统带来的开销,能够在不同环境中直接使用,另一方面能够检测到不同移动形式的入侵者。大量实验结果表明该方法不论在入侵者以何种方式移动,均能够控制在2%左右的误报率和漏报率,证明了其对于入侵检测的有效性。再次,考虑到入侵检测系统需要识别出一个人是否为陌生人的需求,而现有的身份识别方法主要面向人机交互与个性化服务等应用,并没有考虑识别陌生人的问题。而陌生人通常是训练集中不存在的人,这对普通分类器是个很大的挑战。本文提出一种陌生人识别方法,巧妙地解决了这个挑战,使用时频变换技术,从信道状态信息中提取步态的频域特征,建立授权用户和陌生人两个高斯模型,并利用高斯混合模型作为分类器识别陌生人。通过在两个房间内对6名志愿者的数据进行实验,本方法识别陌生人的平均误报率和漏报率分别能够控制在12%和15%,证明了本方法识别陌生人的有效性。最后,为了提高身份识别的准确率,本文提出基于步态时频分析的室内被动身份识别方法,使用时频分析技术,将走路的时间序列按走路的步分段并从时域和频域中提取步特征和走路特征,并根据这些特征的信息增益选出部分最具代表性的特征,降低方法的计算量。大量实验评估表明该方法能够以高达98.7%的精确度分辨两个人的身份,并且当训练集中有8个人时的精确度也能够达到90.9%,证明了利用信道状态信息应用于设备无关被动身份识别的有效性。