近些年来,越来越多的研究人员应用无线技术进行室内人员检测,目前,利用从商业WiFi设备中获得的信道状态信息（Channel State Information,CSI）,在室内复杂多变的环境下,对人员入侵检测和定位方法的研究正在如火如荼的进行中。在无线环境中,接收到的信号会在传输过程中受到环境的干扰产生噪声,因此使用何种方式处理采集到的CSI数据,使其尽可能的展示入侵特征和位置特征变得尤为重要,同时,使用何种方式进行静态环境的动态侵入性判断并计算检测区域人员的位置坐标也很关键。对此,本文通过研究信号传输特性,设计新型取样方式建立样本集,对数据进行处理,研究基于CSI的无线信号下室内人员入侵检测和定位方法,最后在多种现实环境中,进行对比实验验证本文方法性能。本文的主要研究工作如下:（1）为了适应WiFi信号的传播特性和衰落特征,本文提出了一种基于改变取样点选取方法的室内人员入侵检测和定位方法。通过同心圆环状划分设点取样建立样本集,增加取样点的多样性和丰富性,利用主成分分析法对采集到的样本集预处理建立指纹库,使用基于阈值的陆地移动距离方法检测静态区域内是否存在人员入侵,利用改进高斯核的支持向量回归方法进行位置指纹训练,最后通过粒子群优化参数进行位置特征匹配,计算位置坐标。实验结果证明,本文方法优化了支持向量机位置分类的性能,提高了定位精度。（2）为了减少因为入侵速度缓慢而导致的入侵漏报现象,本文提出了一种基于径向基函数（Radial Basis Funtion Neural Network,RBFNN,RBF 网络）训练隐马尔夫模型（Hidden Markov Model,HMM）的室内被动入侵检测方法。将原始CSI信号进行多信道数据融合,提取融合后的CSI动态方差和波动方差作为特征,这种特征能够增强系统对环境变化的敏感性,弱化因人员入侵速度不同对入侵检测准确性的影响,然后利用RBF训练HMM作为分类器,最后将训练完成的HMM结合CSI特征值,应用前向-后向算法判断出检测区域内,是否存在人员的入侵。实验结果证明,本文方法具有良好的环境适应性,入侵速度无关性,入侵检测精准性高,数据适应性好。（3）为了获得更全面的位置特征,进行更精准的定位,本文提出了一种基于5G HZ信号下CSI相位与幅度双信息相结合的室内人员定位方法。采用小波阈值方法对幅度信息进行降噪,对比不同的小波基,选取合适的小波,然后使用阈值收缩小波法获得合适的幅度特征,采用解卷绕矫正相位得到线性相位特征,将CSI相位和幅度双信息相结合作为指纹特征建立指纹库,然后使用多层前馈神经网络进行特征训练,最终实现室内人员定位。实验结果证明,本文的改进小波法使位置的特征更为突出,本文方法在一定程度上提高了定位精度,具有较好的定位精准性,同时,进一步验证了前文同心圆样本选取方式具有较好的定位性能。