人体连续动作识别方法在智能家居、体感游戏、群智感知等多个领域发挥着越来越重要的作用。近年来,Wi Fi感知技术由于无需用户携带感知设备,无需与人体进行直接接触,因此侵扰性小,且与视觉和光学的动作识别技术相比,基于Wi Fi信号的识别技术不会受周围环境光照的影响,因此得到了广泛的关注。现有的基于Wi Fi信号的动作识别主要根据接收信号强度（Received Signal Strength,RSS）、软件无线电（Software Defination Radio,SDR）或者信道状信息（Channel State Information,CSI）来实现。CSI与RSS和SDR相比,包含了微运动而引起的小尺度衰落和多径效应的细粒度信息,渐渐成为了基于Wi Fi的动作识别研究的主流。但现有基于CSI的识别方法主要着眼于如何识别更多的动作、如何提高动作识别准确度这几个问题来开展一些研究,对于动作计数与识别并没有提出两者兼顾的方法。并且只识别用户的动作类型,没有准确判别用户行为何时发生改变,不能展示行为在时间上的变化细节。本论文的研究工作以同时识别用户的动作类型和动作次数为目标,围绕CSI数据采集与预处理、动作区间检测和动作计数、动作识别三个阶段的问题,开展了以下三方面的研究,主要内容如下:（1）在数据采集和预处理阶段,Wi-ACR利用商用Wi Fi设备以及搭建基于802.11n的协议的Linux csitool的实验平台来采集因人体动作而发生变化的CSI数据。接着,利用了Hample滤波器去除信号中的异常值。由于深蹲和行走具有较大动作幅度,CSI幅值会产生频率在30Hz～60Hz的波动,因此利用巴特沃斯低通滤波器去除周围环境高频噪声,最后将数据标准化,完成数据预处理。（2）在动作计数阶段,提出了一种新的动作区间检测方法和动作计数方法,判别出用户的动作何时发生,并统计出动作发生的次数。首先,消除不包含任何动作的CSI流的“静音”部分,并确定有动作发生的开始时间和结束时间,这被称为粗粒度动作区间检测。粗粒度动作区间检测涉及了滑动窗口,PCA算法以及活动指标的计算。接着结合动作计数算法即peak-find算法从每个粗粒度动作区间确定每个动作开始点和结束点,计算每个动作的开始时间和结束时间,本文定义为细粒度动作区间检测。同时每出现一次有效波峰就代表发生一次动作,统计波峰数量就能确定动作数量,达到动作计数目的。（3）在动作识别阶段,采用两类动作识别模型进行动作识别。一类是基于波形特征的动作识别模型,它利用离散小波变换（DWT）从细粒度动作区间提取动作特征,分析出动作波形的相关性,以此为关联依据进行基于动态时间规整（DTW）的最佳拟合相匹配,利用KNN识别出动作的类型。另一类是基于统计特征的动作识别模型,它在波形特征基础上提取统计特征,作为输入给KNN分类器和SVM分类器,得到动作识别结果。最后通过实验对本文提出的基于CSI的连续动作计数和识别方法（Wi-ACR）进行了综合评估,结果表明:在室内环境下,针对5个志愿者的2类动作数据（深蹲和走）,WiACR实现了95%的平均计数准确率,2类动作识别模型的平均识别准确率达到90%。相比已有的动作计数和识别方法,Wi-ACR不仅在计数同时也实现了动作识别,并且获得较高的计数准确率和识别准确率。