随着无线物联网和互联网接入需求的不断增长,Wi-Fi技术已经无处不在。除了用于无线通信外,Wi-Fi系统还可以利用信道状态信息（Channel State Information,CSI）进行无源感知。与其他智能传感解决方案相比,Wi-Fi传感具有低成本、非侵入性、隐私保护、不受光线影响等优点。考虑到用户对低成本和低功耗的要求以及Wi-Fi终端有限的计算资源,通常的解决方案是将CSI数据传输到云服务器,云服务器对这些数据进行集中计算后,再将结果返回给用户。然而,由于CSI数据具有较高的维度和采样率,实时的CSI数据流可能导致严重的通信负担,这可能直接阻碍Wi-Fi的基本功能,即互联网接入。基于上述背景,本文开展了Wi-Fi平台下的CSI压缩重构算法的研究,其主要内容包括以下几个方面:首先,本文研究了基于压缩感知（Compressed Sensing,CS）的CSI压缩重构模型,在此基础上,提出了一种基于半张量积的压缩模型观测矩阵降维算法。该算法首先构造一个低阶的满足有限等距性质（Restricted Isometry Property,RIP）的观测矩阵,并使用奇异值分解对其进行优化,然后利用半张量积矩阵乘法实现原始CSI数据的压缩,最后将压缩后的CSI利用正交匹配追踪（Orthogonal Matching Pursuit,OMP）算法重构。该算法一定程度上解决了Wi-Fi终端计算资源与存储空间受限的问题。其次,为了提升CSI压缩重构算法的压缩和重构性能,本文提出了一种基于K-奇异值分解（K-Singular Value Decomposition,KSVD）的压缩比优化算法。该算法首先随机选取采样得到的原始CSI数据初始化一个过完备字典,之后利用KSVD算法交替求解稀疏字典矩阵和稀疏系数矩阵直到收敛,最后用获得的稀疏字典替换原来的普适的稀疏字典,以此增加稀疏字典的CSI数据稀疏表征能力,进而提高算法的压缩和重构性能。最后,本文利用商业Wi-Fi设备搭建了实验平台,并在空旷和密集的室内区域开展了基于CSI压缩重构的行为识别实验。实验结果表明,当CSI数据量减少90%时,本系统在室内区域行为识别平均准确率为90.5%,分别高于基于奇异值分解和基于曲线拟合的CSI压缩重构算法17.9%和23.1%。