随着人工智能的快速发展,人机交互技术一直备受关注。为了使计算机更容易懂得人们的意图,实现人与计算机之间更加方便和智能的交互,对人体活动和行为的检测与识别就尤为重要。然而传统的人体活动识别技术,包括基于可穿戴设备、基于视觉的识别方法存在一些限制和弊端,有一定程度的侵入性,同时也需要较高的成本开销。如今,无线网络技术发展迅速,无线WiFi设备得以普及,在住房和办公等众多室内场所都有安装,且具有成本低、易部署、分布广泛等优点,是最大的无线传感网络之一。本文结合其优点进行研究,提出了使用WiFi信号进行室内人体的活动检测和识别方法。通过收集WiFi无线信号的CSI(Channel State Information)数据,并对这些数据进行处理和分析,使用机器学习分类算法来检测和识别室内人体活动。本文的主要工作如下:(1)提出了使用WiFi信号的CSI数据进行室内人体活动检测和识别的方法,并设计出了一个系统架构模型。相比传统的识别方法,本文方法是被动式检测识别,对人体无侵入性,且成本低,易部署。(2)使用WiFi设备进行CSI数据的采集,提取出振幅和相位两种信号信息,并进行去噪和相位校正处理。相比于只使用振幅,振幅和相位相结合能够获取更多WiFi信号变化的信息,能够捕捉更细粒度的人体活动。(3)设计出一种室内人体活动的异常检测算法ADA(Anomaly Detection Algorithm)。根据CSI数据的变化特征,通过分析接收到信号的子载波波动特征,本方法能够较为准确的区分出静止状态(无活动)和有人体活动状态,还在此算法的基础上提出了对人体活动的开始和结束时间点的准确检测方法。而且对活动的检测可以自适应的调控不同的敏感程度,以适应不同的周围环境。实验结果表明,本文的检测算法平均可以达到97%的活动检测准确率。(4)分别对单人活动和多人组合活动进行分类识别。提出了一种活动识别的速度模型,来表示CSI与不同的人体活动速度之间的关系。获取WiFi信号的30个子载波的振幅和相位信息,并进行活动特征数据处理,然后使用kNN机器学习算法进行分类识别。实验结果表明,对于单人的3种类别活动平均可以达到95%的识别准确率,对于多人的9种活动组合平均达到了 91%的识别准确率。