随着无线保真Wi-Fi技术的广泛普及以及人们对位置服务需求的日益增加,基于Wi-Fi的室内入侵检测技术应运而生。该技术通过感知目标环境中Wi-Fi信号的波动,可在智能家居、智能安防等场景中实现入侵目标的检测及入侵区域识别。由于无线网络部署简单、成本低廉且覆盖面积广,近年来该技术受到了各界学者的广泛关注与研究。现有基于Wi-Fi的室内入侵检测技术在离线阶段需采集无线信号构建离线数据库,耗费大量的人力与时间成本。同时,Wi-Fi信号的时变性使得离线与在线阶段采集的信号之间存在差异性,从而导致检测性能降低。针对上述问题,本文提出了一种基于样本自适应迁移学习的Wi-Fi室内入侵检测方法,主要研究内容如下:首先,利用生成式对抗网络(Generative adversarial networks,GAN)扩展离线数据库。在离线阶段,采集Wi-Fi接收信号强度(Received Signal Strength,RSS)构建离线数据库,将随机噪声及真实RSS作为GAN的输入,迭代训练生成器与判别器,直至二者达到动态平衡,得到与真实RSS近似的伪RSS,以此扩展离线数据库,减小离线建库开销。然后,通过迁移学习减小由信号时变性造成的离线RSS与在线RSS之间的差异性。具体而言,将离线RSS与在线RSS之间的差异性量化为多核最大均值差异(Multiple Kernel based Maximum Mean Discrepancy,MKMMD),最小化离线RSS与在线RSS混合分布(即边缘分布与条件分布)之间的MKMMD,得到最优迁移矩阵。基于所得的最优迁移矩阵将离线RSS与在线RSS迁移到同一个子空间,以此减小信号时变性所造成的信号差异性。最后,通过不同的分类器实现对目标的入侵检测。为验证所提算法性能,本文利用扩展数据库中迁移后的RSS训练三种不同的分类器对在线RSS分类,得到目标的入侵检测结果。实验结果表明,所提算法在RSS样本量减少及样本存在差异的情况下,能够实现样本自适应入侵检测,从而减小离线建库开销,增强系统鲁棒性。