随着信息技术的进步和基础网络通信设备的部署,基于Wi-Fi信号的室内人员行为感知技术的研究受到越来越多的关注。与传统的感知技术相比,无线感知技术不受视距和光线因素影响,并且部署成本低廉。本文研究基于信道状态信息（Channel State Information,CSI）的室内人员多种不同行为感知技术,根据感知行为类型的差异性特征和基础信号的选择,有针对性地设计不同的人员行为识别算法,并搭建实验平台进行反复实验,对信号特征和算法性能进行分析评估,并与其他现有研究进行对比。本文的主要工作如下:（1）为了有效利用静态信号模型并提升特征利用率,提出了一种基于CSI指纹模型的静态行为检测方法,以人员多种日常静态行为作为切入点进行研究。通过高斯滤波对原始CSI信号进行降噪,再使用主成分分析（Principal Components Analysis,PCA）降低数据冗余并提取特征集,随后使用树形分割的最小二乘支持向量机（Least Square Support Vector Machine,LSSVM）进行离线训练和在线分类,并在不同实验环境下,验证了算法的有效性和准确性。（2）为了提升动态行为感知的准确性和鲁棒性,提出了一种基于CSI特征匹配的动态行为检测方法。通过建立运动行为的CSI时域模型,利用模板匹配原理实现行为分类。首先使用离散小波变换（Discrete Wavelet Transform,DWT）预处理CSI时域数据,并对数据进行特征分割,随后使用动态时间规整（Dynamic Time Warping,DTW）与空间距离分类方法相结合进行具体行为的匹配工作。研究了时域信号的特征,在实验中对影响算法性能的参数进行评估,验证了算法的性能。（3）为了提高信号利用率,提升感知行为类别的多样性,提出了一种基于CSI幅度与相位相结合的行为检测方法。将研究行为从单人行为扩展至特定的双人交互行为,使用经过处理后的幅度信息与相位差信息相结合,建立综合性能更强的行为感知算法。该算法通过特征提取与融合,使用随机森林（Random Forest,RF）算法对不同类型的行为进行识别。通过反复实验,研究了不同信号特征和分类方法对系统的影响,有效验证了算法在信号选择和行为感知种类上的先进性。