随着计算机技术的发展,人机交互成为了融合物理世界和信息世界的关键,身份识别为人机交互的安全性提供了保障。近年来,研究人员相继提出了多种实现身份识别的方法,比如为可信人员佩戴专用的身份识别卡、借助专用传感器,通过指纹、面部、虹膜等生物特征来确定人员身份、基于无线保真技术（Wireless-Fidelity,Wi-Fi）识别人员身份等。其中,Wi-Fi环境下的人员身份识别方法因具有不需要使用者佩戴额外的设备;Wi-Fi设备成本低且易扩展;不受湿度、温度、光线等外部环境的影响等优点而受到了广泛的关注,在诸如无线监护、家居智能等领域展现了非凡的潜能。本文的主要工作如下:（1）针对Wi-Fi环境下采用指纹库匹配方式的身份识别方法面临大量数据时,计算成本过高的特点,提出了一种二阶段身份识别方法,该方法通过对身份指纹库中的所有身份指纹建立“粗索引”的机制,使得待匹配的身份数据不需要与指纹库中的所有指纹遍历匹配,大幅降低了身份识别过程中的计算量。（2）针对传统的身份识别方法,在提取人员身份特征时往往选择统计特征或者波形特征,导致提取的人员身份特征不充分不完全,同时不能排除环境因素的影响的问题,提出一种模型化的身份识别方法,该方法采集大量的样本数据构建随机森林,构建好随机森林模型后,将待匹配的人员身份数据输入模型中,即可得到身份识别结果。该方法的优点是将预处理之后的全部CSI数据作为人员身份特征,避免了人员身份特征提取不充分不全面的问题,提高了身份识别的准确率,并能够在一定程度上减少环境因素的影响。（3）针对传统的身份识别方法随着环境的变化,识别准确率会大幅降低,从而导致无线感知方法不能够大规模的扩展和应用这一问题,本文提出了一种训练卷积神经网络（Convolution neural network,CNN）模型的身份识别方法,通过设计卷积层的层数和卷积核维度,达到深度提取人员身份特征,减少环境因素干扰的目的,提高了身份识别方法的准确率。本文提出的二阶段身份识别方法,提高了身份识别方法的效率,基于随机森林模型和基于CNN的身份识别方法,全面充分的提取了人员身份的深度和高层特征,提高了方法的准确率和鲁棒性,使得Wi-Fi环境下人员身份识别方法具有大规模推广和应用的潜力。