现如今物联网正在快速发展,无线数据流量的需求随之迅猛增长,多种无线信号,如WiFi、蓝牙、毫米波等充斥在人们的工作和生活空间。无线信号除了可以进行通信外,还可以被用来实现感知覆盖范围内目标信息状态,如位置、速度、手势、步态、生命体征等。目标的不同状态对无线信号的反射、折射、散射等现象会产生不同的影响,无线感知技术通过揭示和分析目标对周围无线信号的影响模式,实现不同的感知任务。凭借其不需携带任何设备、易部署、不引起隐私泄露和极高的安全性等优势,无线感知技术在智能家居、人机交互、安防救援等方面有着广阔的应用前景。近年来深度学习在计算机视觉领域取得巨大成功。现存的一些研究已经证明,无线感知技术可以从中受益,传统的无线网络逐渐向具有目标状态感知能力的智能无线网络演进,向泛在感知迈出了崭新一步。然而,目前基于深度学习的无线感知技术走向实用仍面临着一些挑战,例如,某场景下训练好的感知模型在新工作条件适应性差,重新学习训练成本高,以及无线数据训练样本不足等引起模型退化、感知性能下降等问题。当遇到新工作条件下的感知任务时,基于深度学习的无线感知系统往往需要新场景下的大量无线数据参与深度网络的重新训练,这降低了感知模型的工作效率。针对此,本文提出一种基于元学习的无线感知方法,训练基于深度学习的感知模型去学习无线样本中可迁移性知识,学会自动评估不同无线样本特征距离,仅需要少量样本即可快速适应新工作条件下的无线感知任务,以较小的训练代价有效地缓解了模型退化问题,提升了基于训练场景构建的感知模型在新应用场景中的适用性。由于无线样本采集条件严苛,获取无线数据通常费时费力,当无线数据训练样本不足时,基于深度学习的无线感知系统难以学习到无线数据中的本质特征,致使感知系统性能下降。针对此,本文提出基于生成对抗的无线感知方法,开发利用生成对抗网络合成虚拟的射频图像,优化了对抗网络结构并强化了约束条件,最大化地获取无线数据样本中蕴含的丰富信息,实现对少样本条件下无线数据增广,从而以较小的样本采集代价优化无线感知模型,提升深度无线感知网络的泛化能力。本文基于WiFi与毫米波信号,设计了手语、手写字以及人体手势识别实验,分别验证了基于元学习的无线感知方法和基于生成对抗的无线感知方法。结果表明,本文提出的基于深度学习的智能无线感知方法以较小训练代价提升无线感知模型的场景适应性,并以较小的实验样本采集代价扩充无线数据集,构建了高性能的无线感知系统。