现如今,无线网络覆盖在我们生活中的大量场景中,而无线感知技术的逐渐进步也正在不断的影响着我们的日常生活。无线感知技术可以应用于人体行为识别领域,其在智能家居、入侵检测、医疗监护、体感游戏等方向有着重要应用,符合人民对智慧生活的追求,因而引起越来越得到国内外科研人员的关注。而由于目前Wi Fi设备的大量部署,且基于Wi-Fi-CSI的人体行为识别技术由于其相比传统的行为识别技术有着无需携带任何设备、低成本、高稳定性、高精度、高覆盖范围等优点而越来越受到研究人员的青睐,但现在基于Wi-Fi-CSI的行为识别研究也存在着有效特征提取困难、识别模型感知精度低、缺乏多场景下的数据集等问题。针对以上问题本文首先采用CSI数据采集系统通过修改了无线网卡驱动固件的商用Wi-Fi设备在不同环境下采集大量的人体行为的信道状态信息数据建立行为数据集。对于数据的分类,本文提出了一种基于Wi-Fi-CSI的人体行为识别的方法-Wibr,方法流程主要有数据预处理、特征提取与筛选、信号分类这几部分所组成,在数据预处理阶段采用巴特沃斯低通滤波器对原始信号进行去噪预处理,减少噪声对最终识别效果干扰。在特征提取阶段采用小波包分解算法提取信号从低频到高频的小波包能量占比特征和小波包系数统计特征组,在特征筛选阶段对冗余量较大的原特征采用主成分分析法对其进行筛选,得到虽维度远小于原始特征维度但包含了原始特征大部分信息的特征子集,提高了系统分类速率和降低系统过拟合的风险。而在信号分类阶段采用支持向量机算法,且算法的参数经过粒子群优化算法的优化。通过其对特征子集进行分类操作,最终得出实验识别精度。最后为验证本文所提出方法的鲁棒性和普适性,本文拟通过在不同场景以及不同采样率下采集了大量数据用于方法效果的验证,最终实现了在不同场景下95.8%的平均识别率,证明了本文方法用于人体行为识别方法有着非常好的普适性和有效性。