步态识别是一种重要的生物识别技术,也是人机交互领域的一个重要研究方向,具有良好的实际应用前景。目前已被广泛应用的步态识别方法,主要包括基于视频图像的步态识别方法和基于可穿戴设备的步态识别方法。但这两类方法易受到光线和便携性的限制,在一些应用场景中并不适用。而基于Wi-Fi信道状态信息(Channel State Information,CSI)的步态识别方案则具有被动式和不受光线影响的优点,有望成为传统的步态识别方案的一种重要补充。因此,本文针对基于Wi-Fi CSI的步态识别问题进行了探索,主要研究内容如下:(1)针对现有的步态检测方法易受到步态的连续性和环境干扰存在误检的问题,提出了一种基于缓冲区和过滤机制的步态检测方法。首先,该算法中引入了缓冲区机制,能够有效避免现有方法中将一个完整步态片段检测误检为两个或多个的问题。除此之外,该算法结合了先验知识和过滤机制,进一步提高步态检测的准确率。实验结果表明,本文提出的步态检测算法在步态检测问题上实现了97.87%的检测准确率。(2)针对现有的步态识别方法在较大规模的步态识别任务上识别准确率不高的问题,提出了一种基于深度迁移学习并融合多级特征的步态识别算法。受到图像分类技术的启发,本文将基于Wi-Fi CSI的步态识别问题转换为图像分类的问题。首先,将时序信号数据构建为图像数据;然后,采用迁移学习技术融合多级特征的方法实现步态特征提取和分类。实验结果表明,本文提出的算法在44类的步态识别问题上实现了97.4%的识别准确率。(3)针对现有的步态识别方法在跨场景情况下模型应用失效的问题,提出了一种基于三元组损失的跨场景步态识别算法。该算法中应用了三元组损失和迁移学习技术,能够在较低的数据采集代价上实现跨场景的步态识别任务,并且该算法具有良好的可扩展性,能够整合不同的特征提取模型。实验结果表明,本文提出的跨场景步态识别算法在跨场景的20类步态识别任务上能达到高于78%识别准确率。从上述的工作中可以看出,本文提出的方法在基于Wi-Fi CSI的步态识别任务上能取得较高的准确性和鲁棒性,有利于辅助现有的用户身份认证技术,改善用户体验。