近年来,随着人工智能、传感器技术、无线通信技术的发展,情景感知、行为识别、新型人机交互等技术得到了更为广泛的关注和研究。作为无线感知的重要组成部分,身份识别以人的身份为重点研究对象,实现机器在特定监测环境中对受测者身份的识别。相对于其他众多的身份识别技术,Wi-Fi身份识别技术因其低成本、易于部署等一系列优势,可以使用户更加便捷的以无设备的方式与智能环境进行交互。然而,由于实际场景中需要识别的目标人数往往以大基数群体为主,处理Wi-Fi数据的模型在环境变化时会产生精度下降。为了更好的适应人们的心理感受,寻求更为舒适的、零负担、可靠性高的识别方式变得尤为重要。本文利用人体行走时的步态对Wi-Fi信道状态的周期性扰动,充分利用不同天线所接收到的全部步态特征信息。在此基础上,根据经过重构的信道状态信息(Channel state information,CSI)数据组织结构——频率能量图,设计了一种轻量化神经网络的压缩机制。结合迁移学习,建立一个可以自动提取人体步态特征,并可以快速地适应各种不同硬件以及采集环境的轻量化迁移模型。主要研究内容及创新点体现在如下几个方面:(1)针对现有基于Wi-Fi信号感知的步态身份识别模型中,传统人工提取特征方法以及数据处理方法存在步态特征提取不充分、多人步态识别准确率偏低等问题,本文提出了一种新的数据组织结构——频率能量图,并将频率能量图引入神经网络模型,实现Wi-Fi环境下高准确率的身份识别。有别于现有文献在传统步态身份识别中只提取CSI数据子载波的时序特征的方法,本文模型所提取的特征不仅包含步态时序特征,还包含了CSI数据子载波间的空间特征,使模型身份识别能力得到较大提升。实验结果表明,在开放式环境下,在40人样本实验中模型识别准确率达到98.7%。(2)为解决步态身份识别模型存储代价高、参数量大、调整困难、难以在受限资源平台上部署等问题,本文根据卷积网络提取特征的原理,设计了一种通过给不同网络层传递原始数据特征,减少网络对每层神经元数量的依赖,从而实现裁剪神经元数量的Balloon机制。并以Balloon机制为基础提出了一种轻量级步态识别算法LWID。该算法基于通道信息整合理念以及卷积操作的工作原理,实现了对模型规模的压缩。实验结果表明,LWID与现有文献步态识别模型相比,在更少的参数量与训练时间下,具备更高的精确度。(3)针对多径效应Wi-Fi信号在不同环境里的变化复杂且难以区分,在一个环境中完成训练的模型面临着在新环境中失效的风险,以及当模型任务改变时必须重新训练模型的需求等问题,本文设计了一种基于迁移学习的无需大量带标签数据的模型校准方法。通过该方法,不仅可以使一个环境中完成训练的模型通过少量新数据的微调迅速适应新环境,而且可以大幅度减少因改变任务重训练网络所需的时间。实现跨时间、跨空间、跨设备、跨任务的Wi-Fi模型的快速校准。