校园暴力和欺凌已经成为严重影响青少年健康成长的问题之一。目前的预防措施主要依靠个人主动揭发或者学校监督。到目前为止,还没有一个有效的解决方案能够自动检测出暴力欺凌事件。检测暴力欺凌事件的本质就是人体行为识别。目前,人体行为识别在教育、医疗、商业和军事领域已经有广泛的应用。而且,人体行为识别在计算机视觉、可穿戴传感器和基于环境传感器技术方面都有一定的研究。但是,这些技术都有一些设备,场景的限制,无法全面的满足暴力行为识别的需求。近年来,随着商用无线WIFI的普及,用WIFI信号做人体行为识别的研究工作越来越多,采用商用WIFI设备做动作识别具有成本低,普适性好,无入侵等优势。本文研究了基于WIFI信道状态信息的暴力行为检测。实验结果表明在多个不同的应用场景下,本文实现了具有高精度和高鲁棒性的暴力动作识别。论文的研究内容和贡献包括以下方面:1.通过分析CSI不同子载波的波形和同一个动作的关系,成功提取了CSI相关性特征。本文利用动态阈值的方法检测动作的开始和结束区间;本文把CSI振幅数据转化为图片输入到特征提取的算法中提取相关性特征;分析比较了相关性特征和时间序列特征对于分类模型的影响;通过比较不同机器学习分类算法的准确率,研究使用支持向量机建立暴力动作的分类模型,并用实验验证了使用支持向量机可以提高系统预测准确率的结论。2.以提取时间序列特征和相关性特征为基础,对两种视图的特征融合。本文分别提取了CSI时间序列的统计特征和CSI振幅图片的相关性特征;为了能够有效的结合这两种视图的特征,本文分别采用了两种融合策略,一种采用PCA算法融合,另一种基于多视图的概念,采用KCCA融合技术,把两个视图的特征融合起来作为最后输入到分类器模型的特征;为了确认融合后特征的有效性,实验验证了融合后的特征对于模型具有提高精度的作用;分析比较了PCA融合方法和KCCA融合方法的有效性,并实验验证了每种融合方法对分类器的影响。最后,实验验证了多种因素对识别系统的影响,确保系统的鲁棒性。