基于WiFi信道状态信息（Channel State Information,CSI）的人体感知技术是当前研究热点,主要研究包括小尺度动作感知、大尺度动作感知以及位置感知三个方面,虽然目前已取得了一定研究成果,但是由于WiFi信号带宽较窄且时间分辨率低,导致基于WiFi的人体感知技术仍存在以下不足:第一,在小尺度动作感知方面,目前基于移动终端的人体呼吸感知模型尚不完善;第二,在大尺度动作感知方面,由于信号特征非独立于背景环境导致大尺度动作感知模型跨域能力差;第三,在位置感知方面,非接触式相对位置感知模型尚不完善。针对以上问题,本文对基于WiFi的小尺度动作感知、大尺度动作感知以及位置感知开展研究。此外,为了实现多人协同感知,本文进一步开展了基于WiFi的协同感知框架研究。本文主要工作和贡献如下:（1）在基于WiFi的小尺度动作感知方面,针对基于WiFi的移动终端人体感知技术尚不完善的问题,构建了基于菲涅耳区的移动端感知位置相关性模型,提出了基于CSI的人体小尺度呼吸动作感知方法,解决强干扰环境下子载波的可靠提取、多目标场景中移动终端放置策略以及感知性能对设备位置依赖性问题,实现了智能手机端呼吸感知。（2）在基于WiFi的大尺度动作感知方面,针对由于信号特征非独立于背景环境导致大尺度动作感知模型跨域能力差的问题,通过分析CSI原始数据噪声分布特征,设计了CSI自适应滤波的数据降噪与解析模型,在此基础上,提出了基于多标签对抗网络的跨域感知方法,解决了手势识别跨域识别问题,实现了低成本被动式报警动作识别,提升了摔倒检测的鲁棒性。（3）在基于WiFi的位置感知方面,针对相对位置感知框架不完善的问题,构建了基于WiFi探针的非接触式人员相对位置感知模型,定义了位置相似系数和密切接触距离两个相对位置判断指标,设计了无需测距的相对位置相似度计算方法,实现了新冠患者的密切接触者的被动追踪与位置感知。（4）在上述研究基础上,进一步开展了多人协同感知研究,特别是,针对WiFi感知数据集匮乏导致感知模型存在欠拟合问题,提出了一种基于联邦学习的协同感知框架,解决了多个终端用户协同训练数据隐私保护、感知模型环境依赖以及终端用户本地模型更新问题,实现了感知模型的高鲁棒性及高通用性。综上,本文对基于WiFi的室内人员非接触式感知方法开展研究,提出了鲁棒且普适的WiFi人体感知方法,并利用商用WiFi设备在不同室内场景开展了大量实验,实验结果验证了本文所提方法的有效性。该论文有图86个,表5个,参考文献193篇。