随着博物馆、医院、超市等室内环境对人员感知的智能化要求越来越高,简单的感知应用无法满足人们的需求,采用WiFi信号实现人体感知的技术引起了人们广泛的关注。基于WiFi的被动式感知技术中常使用接收信号强度指示(RSSI)作为测量信号。但是,RSSI受室内环境中的多径效应影响较严重,利用RSSI进行人员感知的识别精度较低。物理层的信道状态信息(CSI)相比于RSSI可以更加细粒度地展示信号特征,对环境更加敏感,更容易实现人员的感知。因此,本文利用CSI对人员感知中的人群计数和行为身份识别展开研究具有较好的研究意义与应用前景。首先,将RSSI和CSI在人数、行为、ID信息数据上的表现进行了对比分析,证明了利用CSI进行人群计数、行为及ID识别的可行性和优势。阐述了利用CSI进行无线感知的实现流程。另外,利用Linux系统、Intel5300网卡、Atheros网卡以及商用路由器分别搭建了人群计数、行为及ID识别的硬件平台、软件平台。其次,搭建了一种基于CSI的多尺度室内被动人群计数模型,能够实现较大规模的室内人群计数。该模型将原始数据分成两个不同通道数量的待训练数据,采用基于离散小波分析的方法去除数据中的噪点,降低离群数据的干扰,使用两种不同尺度的卷积神经网络分别提取对应通道数据的特征,将两种特征数据进行特征融合,结合深度神经网络算法建立人群计数预测模型。实验结果显示,搭建的室内人群计数模型在实验数据集上的平均绝对误差为2.35,通过与多种机器学习和深度学习算法相比,证明该方法可应用于室内人群计数。最后,使用基于卷积神经网络搭建的行为及ID自更新模型在采集标签数据上分别对行为和ID进行特征提取,利用提取到的特征数据训练随机森林和支持向量机得到两种判断器。将无标签数据通过判断器,把反馈的有效结果放入卷积网络中,更新迭代预测模型。实验结果表明,搭建的基于CSI的多标签检测模型在仅使用20%的标签数据下,能够实现不低于95%的识别精度。该模型可以自主调节以适应各种环境,具有较高的精度。