近几十年,室内人体行为识别技术一直是热门研究课题,在智能家居、人机交互和智能监控等领域应用非常广泛,但在多数研究方案中需要特殊的硬件设备或要求目标积极配合,因此普适性仍旧是一个挑战。近期,研究者们开始利用我们身边无处不在的Wi-Fi信号直接对目标本身或环境进行无源感知,克服了之前很多技术手段固有的缺陷,它对环境变化抗性强,对硬件的要求少,而且可以取得相对良好的准确率。因此,无源感知技术的应用前景非常广泛。本文提出一个基于Wi-Fi信号的人体行为识别系统,它不需要额外硬件的支持,而且也不需要目标积极地配合,此系统能应用于已有的WLAN网络中。首先本文使用了 KNN、Niave Bayes和SVM等三种分类算法识别四种常见人体行为(无人、走、坐和站),通过大量的实验对比和分析,总结出一些重要的实验参数设置经验。然后使用同样的算法对人的睡眠姿势进行识别,并对识别结果进行分析。最后提出了基于阈值的睡眠质量检测算法,该算法可以准确地计算出人在睡眠过程中的翻身次数,从而估计人的睡眠质量,具有一定的鲁棒性。总之,本文的主要贡献如下:1、本文给出关于多种行为下WIFI的RSSI值和CSI值的经验研究,并阐述了对WIFI信号特征的深入理解。2、本文从理论分析和实际实验等两部分分别详细介绍了如何通过信道响应来进行室内人体行为识别的研究。在实际实验的过程中,总结出一些比较重要的参数设置经验。3、本文举例介绍了人们常用的睡眠姿势,并通过一些分类算法(KNN、NB、SVM)对这些姿势进行识别,对算法的准确率、稳定性和复杂度等方面进行分析。本文还提出一种基于阈值的睡眠质量检测算法,该算法通过计算睡眠过程中的翻身次数来检测人的睡眠质量。