家居环境的活动监测备受人们关注。传统的基于视频技术和可穿戴传感器的方法,硬件要求颇多,系统搭建复杂,均受到硬件成本的限制,不具备设备的普及性和用户的便利性。近年来,随着WiFi技术的不断创新和发展,以及WiFi设备的广泛部署,如何在满足用户活动监测需求的同时,尽量减少对用户的影响,以及提高系统的普适性,成为了系统设计的关键。因此,本文研究基于普通WiFi设备的人体动作识别和跌倒检测方法。WiFi信号的信道状态信息(Channel State Information,CSI)作为物理层的信息,能够测量信号每一个子载波的幅度和相位信息,具有一定的多径分辨能力。利用CSI自身的优势可以进行细粒度的环境感知。因此,本文主要研究利用CSI进行人体动作识别的方法,主要的研究内容总结如下:1.提出了一种基于信道状态信息的动作识别方法。对于不同人体动作而言,都会引起CSI信号不同的变化。重点在于将人体动作和对应的CSI片段相关联,并建立模型。利用CSI的幅度和相位信息,同时结合信号子载波的分析,提出CSI-SRC(Sparse Representation Classification,稀疏表示分类)的识别方法,其中针对不同时间间隔的CSI序列,提出子载波插值处理的方法,获取相同时刻的CSI测量值。最后,通过实验验证了本方法能够对常见的人体动作进行有效地识别,平均识别率可到达96.4%,同时降低了发包率。2.提出了一种基于信号传播路径改变率的跌倒检测方法。研究和分析信号的传播路径改变率(Path Length Change Speed,PLCS)这一重要特征,通过对CSI信号进行时频域的分析,获取其能量分布。通过分析不同的动作对信号的传播路径的影响,提出基于路径改变率的跌倒检测方法,将路径改变率作为跌倒和类似跌倒动作的判别依据。最后,通过随机森林(Random Forest,RF)的分类算法,对跌倒动作进行检测,并通过实验验证了本方法在室内环境中能够实现跌倒检测,保证较高检测率的同时,降低了误报率。实验结果表明,平均检测率可达到93.6%,而误报率仅为7%。3.针对以上提出的两种方法,搭建实际的数据采集环境采集真实的人体动作数据对其进行验证。并且从识别准确率、检测率、误报率等方面对所提出的动作识别和跌倒检测系统的性能进行评估,实验结果表明,系统整体性能较好,能够满足动作识别以及跌倒检测的需求。