近年来,随着无线传感技术的发展和商用路由设备的广泛普及,使得基于WiFi的人体感知成为可能。Wi-Fi人体动作感知技术具有广阔的发展前景,与动作传感器、光学摄像机等传统感知技术相比,Wi-Fi人体动作感知具有低部署成本、非接触非入侵式识别、无感知死角等优点,并且已经在智能家居、远程医疗保健、工地安全检测、养老院老人医养等领域开展了一定的应用。信道状态信息（Channel State Information,CSI）作为一种物理层的信道状态特征,可以实现人体对无线信道影响的高分辨率刻画,已成为Wi-Fi人体感知技术的核心要素。然而,现有的基于CSI行为识别方法在检测精度、鲁棒性、动作复杂性等方面存在着巨大挑战。本文根据被识别的不同动作以及其应用场景,按照由静态到动态动作再到细粒度的动态动作的研究顺序展开研究,最终实现非接触式、低计算开销、高精度的人体动作识别。文章的主要研究和工作如下:（1）为了满足动作识别应用中被识别动作趋于复杂化,实用化的需求,提出了一种基于Wi-Fi CSI的复杂人体静态动作识别方法,选取健身军体拳招式作为复杂动作验证方法可用性。其核心部分是CSI信号的去噪和复杂动作数据的分类。离线指纹构建时获取各个动作的频域振幅,结合巴特沃斯低通滤波器以及sym8小波函数进行降噪处理,并使用受限玻尔兹曼机（Restricted Boltzmann Machine,RBM）对复杂动作数据进行训练,完成复杂动作标准指纹的构建。在实时检测阶段,将获得到的实时复杂动作数据进行降噪预处理和RBM训练分类,使用Soft Max分类器对RBM分类结果进行修正,与离线阶段指纹库进行数据匹配,从而实现对不同人体复杂动作的识别。（2）针对传统摔倒动作识别中存在的入侵性、高成本、普适性等问题,提出一种使用5GHz频段商用无线信号的非入侵高鲁棒的人体摔倒识别方法,对人体摔倒、缓慢行走、缓慢蹲下、坐下和跳跃等动作进行识别,以被检测动作的时域振幅作为信号输入,通过切比雪夫低通滤波器和db3小波函数构建有效的去噪方法,提取各动作的特征时间序列后,基于注意力模型的长短期记忆网络（Attention-based Bi-directional Long Short-Term Memory,ABi LSTM）对其进行训练分类以完成设备无关,非入侵,高精度的人体摔倒动作识别。（3）为了满足实际应用中对手势动作应用具有细粒度、非接触、高准确性的需求,提出了一种基于CSI的非接触细粒度手势识别方法,本方法使用商用Wi-Fi设备,将无线信号中子载波级的幅值和相位差信息与人体手部动作建立相关映射,且无需要用户佩戴任何设备。然后,通过构建高效的去噪方法过滤环境干扰,设计有效的最优子载波选取大幅降低系统计算花费,使用精心设计的分类模型完成手势动作数据的精确分类,并在三个不同场景中进行测验和评估我们的方法,实现了设备无关,非入侵,高精度的手势动作识别。