人体动作识别作为人机交互领域的一项重要技术,在安全监控、医疗看护、体感游戏等领域具有广阔的应用前景。当前的人体动作识别方法主要基于可穿戴设备或视频来实现。但使用可穿戴设备的方法需要用户随身携带特定设备,会给用户的日常生活带来不便;基于视频的方法会带来隐私等问题,这些缺点限制了这些方法的使用范围。而随着无线设备和Wi-Fi的普及,基于Wi-Fi的动作识别系统也逐渐受到研究人员的关注。基于Wi-Fi的动作识别系统克服了上述方法的缺点,并且可以利用当前已经广泛部署的Wi-Fi设备,有着成本低、易于使用等优势。本文设计和实现了基于毫米波设备CSI信息的室内动作识别系统,通过分析人体活动导致的CSI信号的变化而对人的动作进行识别。与当前常用的工作于2.4GHz和5GHz的Wi-Fi信号相比,工作在60GHz的毫米波Wi-Fi对于环境的变化更加敏感,可以进一步提高识别精度。而信道状态信息（Channel State Information,CSI）作为比RSSI细粒度更高、更能表现环境信息的物理层信息,具有很高的感知精度。本文的主要工作如下:（1）为了从普通商用毫米波设备中提取出CSI信息,对设备底层固件进行了破解,能在线的调整波束成形过程中的天线参数,为通过信噪比计算CSI提供底层基础。（2）提出一种动作区间截取算法。预处理后的数据包含非动作部分,为了截取出动作区间,本系统提出使用平均绝对误差（MAD）和滑动窗口的截取算法。本算法首先计算滑动窗口的MAD值,并与阈值对比判断是否为动作波形的起始点（或结束点）,并进一步将滑动窗口划分成两个小窗口再次与阈值进行对比,能更精确地定位人体活动所对应的的CSI信号区间。（3）使用基于支持向量机（SVM）和基于卷积神经网络（CNN）的算法实现动作识别的功能。基于SVM的算法使用方向梯度直方图和灰度共生矩阵来提取图像特征,并使用一对一法实现多分类;基于CNN的算法使用残差网络ResNet-18来进行动作识别。实验显示,基于SVM的算法达到了94.2%的准确率,基于CNN的方法达到＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿了95.4%的准确率,并对不同试验人员和不同动作位置的识别结果进行了探讨。