手势识别和身份认证技术是人机交互的使能器。与基于摄像头和雷达等感知技术相比,基于Wi-Fi的无线感知技术虽受限于低带宽和低感知分辨率,但具有成本低、易部署、不受光照和遮挡影响的优点以及能够有效控制隐私泄露问题,因而受到越来越多的关注和研究。人工智能赋能的无线感知技术,即智能无线感知被广泛地认为是实现泛在感知的潜力解决方案。本文专注于面向人机交互的智能无线感知关键技术的研究,覆盖了普适智能无线感知系统构建、基于智能无线感知的跨域手势识别及身份认证、安全高效的智能无线感知方案设计等内容,形成如下主要创新成果:（1）普适智能无线感知系统构建方法目前智能无线感知研究领域缺少一种普适的感知系统构建标准和准则,导致智能感知系统构建散乱、低效,难以满足物联网时代对泛在智能感知和智能服务日益高涨的需求。针对这些问题,本文提出一种普适的智能无线感知系统架构:覆盖了从感知网络部署、感知信号参数特性选择、感知信号多重处理及数据集构建到智能感知模型构建等核心环节,以适应未来智能无线感知场景的新需要。本研究是对现有研究的补充和延伸。（2）基于Wi-Fi感知时空特性的手势识别技术针对Wi-Fi感知时空分辨率先天不足的难题,通过有效利用多天线和多载波技术将问题的解决转移到高区分性感知特征提取,进而训练具有高鲁棒性的智能模型中得到解决。为此,本文提出一种基于3D卷积神经网络（3D-CNN,3D Convolutional Neural Network）的 Wi-Fi手势识别模型,其中,3D-CNN用于获取无线感知数据时空特性。同时为了感知数据适配三维模型,本文在三维空间切割感知数据;由于不同人完成同一个手势的时间会有差异,同一个人完成不同手势的时间也会有差异,反映在感知数据上就是数据长度长短不一,因而本文在感知数据块的第三维度上通过数据填充保持数据块尺寸一致,进而适配三维模型。基于实测数据的实验表明,提出的模型具有很好的跨域识别性能:与现有技术相比,即使同时跨越三个域因子所提方法也至少有三个百分点的改进,并且在同时跨越四个域因子时具有相当的性能;同时该模型具有收敛性好、方便训练、层次结构不复杂等优点。该成果能够指导设计基于智能无线感知的轻量级、高性能手势识别模型。（3）基于人体无线特性的身份认证技术人机交互有迫切的身份认证需求,当前基于无线感知的身份认证通常依靠挖掘步态、呼吸等行为中隐藏的人体无线特性,即认证和交互分离。如果将身份认证和人机交互无缝结合,会大大提升用户体验。针对以上问题,本文提出一种组合手势和身体物理特性的身份认证方案:挖掘个体手势对周围Wi-Fi信号传播的独特性影响,在用户试图操控机器的同时完成身份认证。另外,受限于Wi-Fi感知分辨率,作为一种细粒度行为,手势造成的无线信号传播的波动有限,提取不同用户手势波动差异会更加困难。为了解决以上难题,本论文提出一种基于时空注意力机制的无线认证模型:在提取感知数据时空高分辨率特性的基础上,专注于差异性,提升身份识别性能。基于实测数据的实验表明,在一发六收天线配置下,所提模型具有97.72%的精度,而且具有较好的跨手势鲁棒性。该研究对指导设计基于智能无线感知的身份认证系统具有理论和实践意义。（4）小样本条件下联合手势识别和身份认证技术收集并标记感知数据是一项劳动密集型任务,在一定程度上限制了智能无线感知技术的发展。当前普遍采取的解决方法之一为小样本学习,即用少量的标记/无标记数据完成通常需要大量样本数据才能胜任的模型训练任务。为此,本文提出一种基于小样本的双任务学习模型:通过深入研究基于智能无线感知的手势识别和身份认证的机理和内在联系,设计双任务学习模型以复用感知数据集;特别地,为了进一步降低对样本数量的依赖,在双任务模型中引入关系网络,仅需几条新场景数据,即可达到传统方法在大规模数据集条件下的识别性能。基于实测数据的实验表明:①所提模型在仅用1条新类别样本数据条件下,即可实现高精度手势识别和身份认证性能,在有效降低样本数据量的同时,提升了模型对新类别的泛化能力,增强模型复用性;②跨场景手势识别和身份认证性能均优于当前方法,身份认证与基于手势的人机交互无缝衔接,增强了系统安全性、提升了用户体验。该研究是对实现泛在智能感知的有力支撑。（5）安全高效的跨域智能无线感知方法随着物联网时代的到来,大量既能通信、计算又能感知的智能终端为边缘网络带来了足量多样性感知数据,同时也带来了数据隐私安全问题。在充足的多样性感知数据和计算资源条件下,有望获取特定场景下优异性能的智能感知模型。而我们总是期望消耗大量资源获得的模型能够适用于新的应用场景,即模型具有良好的跨域感知能力,而实际情况下,模型对由应用场景变化引起的感知数据域偏移敏感。如何在兼顾数据隐私保护的同时充分利用分布于边缘网络的感知数据是一项亟待解决的难题。为此,本文提出了一种边缘智能和区块链赋能的智能无线感知方案:边缘智能在智能服务需求端为智能无线感知提供充足的低时延计算和存储资源;区块链帮助保护用户隐私相关的感知数据以及促进感知数据跨边缘网络传输;基于对抗迁移学习的跨域无线感知技术高效利用分布于边缘网络的计算、存储和数据资源在服务需求端提供低时延、高可靠的智能服务。基于实测数据的实验表明,基于对抗迁移学习的跨域无线感知模型仅需边缘网络目标场景下30%的无标签数据即可达到原模型的性能,有效降低了智能模型对标签数据的依赖,增强了模型的复用性。该成果对指导设计隐私保护条件下高效的跨域智能无线感知系统具有理论和实践意义。