随着人工智能相关研究的不断深入,生活智能化水平的不断提高,用户感知逐渐成为人工智能领域中的重点及热点研究问题。以用户为主要研究对象的感知技术,在视频监控、智能家居、人机交互等场景中得到了广泛应用。传统感知技术通常基于视觉或传感器,前者隐私侵犯风险高,后者需特定设备支持,限制了其实际应用。随着WiFi设备的普及,越来越多的研究人员致力于研究基于WiFi的活动感知技术,然而数据采集周期长、模型训练开销大、模型泛化能力差等问题制约了 WiFi感知技术的发展。本文主要考虑掣肘当前WiFi感知技术的实时性、准确性及检测精度等问题,分别研究了室内入侵检测及室内活动检测场景下的WiFi感知技术。论文主要研究工作如下:首先,研究室内入侵检测场景下的WiFi感知技术。通过分析人体活动对WiFi信号的影响机制,建立用户行为与信道状态信息之间的潜在映射关系,并从数据的获取与处理两个角度提出相关优化算法。将需要实际采集大量数据的问题转换为基于生成式对抗网络的数据增强问题,同时也降低了不完全数据集导致的过拟合风险。其次,提出基于稀疏自动编码器的特征提取算法,筛除数据冗余特征的干扰,降低计算复杂度。实验结果表明,论文所提出的算法能够以较低时间成本完成高准确率的入侵行为检测。进一步地,论文研究了室内活动检测场景下的WiFi感知技术。将机器学习方法与传统信号处理技术相结合,使得数据采集与处理、活动起始点的检测、活动发生部位的识别以及活动幅度和方向的感知形成一个连续的过程,最终实现实时活动检测。本文基于机器学习手段完成活动发生部位的检测,并将WiFi信号的多普勒频率偏移及其相适应的信号处理技术用于活动幅度和方向的检测。实验结果表明,论文所提出的算法能够实现室内环境下高实时性、高精度的活动检测。