对物理世界的精准感知在人机交互、虚拟现实和元宇宙等未来智能交互场景中具有巨大的应用需求。WiFi感知是一种利用泛在WiFi无线信号实现场景识别的智能交互技术,可以实现室内定位、行为识别、人员追踪和情感计算等功能,具有低成本、易部署和非视距等特点,为人们的日常生活和工作带来了极大便利,近年来受到广泛关注。传统的WiFi感知技术通常通过机器学习（Machine Learning,ML）或建立人体活动与信号之间的数学或物理模型来实现不同的感知任务,但是这些方法受限于人工特征提取效率或者模型与实际任务的匹配度,普适性较差,难以泛化应用于复杂的感知任务。近年来,基于深度学习（Deep Learning,DL）的WiFi感知技术被广泛关注。DL技术利用深度神经网络能够自动提取WiFi信号中的可用信息,避免了传统算法手工提取特征或建模的弊端,可以实现对环境与人的高效感知。然而,现有基于DL的WiFi感知技术通常仅利用卷积神经网络（Convolutional Neural Networks,CNN）提取动作空间局部特征,或通过长短期记忆（Long Short-Term Memory,LSTM）网络和门控循环单元（Gate Recurrent Unit,GRU）网络对信号中的时序特征进行提取,从而实现人体活动特征的感知与识别。虽然经典的LSTM和GRU结构能够捕捉时间序列数据中的长期依赖关系,但是,它们仅考虑了人体活动过去信息之间的联系,忽视了对未来信息的综合考量,无法全面提取活动数据的时序特征。此外,这些现有方案一般直接应用CNN或LSTM、GRU等模块刻画所感知动作在空间维度或时间维度上的特征信息,并未全面提取人体活动数据的时间与空间特征,导致对复杂的人体活动识别精度低。在上述研究背景下,本文基于DL算法对WiFi感知技术展开了一系列研究,其主要内容包括:（1）搭建了WiFi感知平台并构建了小尺度呼吸和大尺度人体活动数据集。基于Intel 5300网卡和专用数据采集工具CSI Tool,利用所构建平台分别采集了小尺度呼吸动作和大尺度人体动作数据。其中,包括四种呼吸动作,共160分钟呼吸数据;包括七种大幅度人体动作,共2450条动作数据。（2）针对小尺度呼吸模式感知,提出一种基于双向长短期记忆（Bidirectional Long Short-Term Memory,BiLSTM）神经网络的识别方法。所提方法利用BiLSTM的双向特征提取能力,实现了呼吸数据时序关联特征的提取,从而对不同的呼吸模式有效分类。实验结果表明,所提方法对四种呼吸模式的识别准确率达到98%,比传统的基于ML的方法高出20%,较经典的LSTM算法高出了1.5%。同时,所提出的方法利用室内外环境中无处不在的WiFi信号实现呼吸感知,相较于通过专用医疗设备以及可穿戴传感器的感知方式,极大地降低了应用成本。（3）针对大尺度人体活动感知,分别提出了基于CNN-Attention-BiLSTM（CNN-ABiLSTM）和CNN-Attention-BiGRU（CNN-ABiGRU）的识别方法。所提方法针对LSTM、GRU空间特征提取能力不足以及CNN时序数据建模能力差的问题,结合了CNN空间特征提取的优势以及双向长短期记忆（BiLSTM）网络和双向门控循环单元（Bidirectional Gate Recurrent Unit,BiGRU）网络的时序数据建模的优势,并辅以注意力机制,提取动作丰富的时空特征。实验结果表明,CNN-ABiLSTM对七种大尺度人体动作的识别准确率达到96%,CNN-ABiGRU的识别准确率达到97%,因GRU简化的门控机制,CNN-ABiGRU提高识别精度的同时并降低了时间复杂度。相较于经典的DL算法,两种网络架构的识别准确率提升了1%-20%。