随着物联网技术和人工智能的发展,建筑内目标信息在智能家居、疫情防控、安防检测等领域都发挥着日趋重要的作用。已有的基于信号强度指标（Received Signal Strength Indicator,RSSI）的室内传感技术由于受信号强度本身的单一性和需要目标配合等的限制,从而影响了其测量的精度和鲁棒性。因此,本文提出了一种基于信道状态信息（Channel State Information,CSI）的室内传感技术。它将现实中无处不在的WIFI第三方源作为被动发射源,同时获取信道的幅值和相位,且采样率按需可控,具备更加细粒度的信息,能够实现复杂环境下更高精度和更好隐私性的探测。本文的主要工作如下:（1）针对室内环境的复杂多样性,阐述和分析了 WIFI信道状态信息传感技术及其在室内目标探测的应用。并将室内探测存在的问题具体分为目标不确定性和探测场景不确定性,且分别提出了各自的解决方案。（2）鉴于在探测中目标分布的不确定性,提出了基于深度学习的排队人数识别系统。该系统分析比较了多种预处理手法对结果的影响,利用动态和静态双模型处理排队中可能出现的不同情形,引入卷积长短期记忆完全连接的深度神经网络,有效克服了目标不确定性在排队中的影响。实验结果证明,该系统能够获得97%的识别准确度。（3）鉴于在探测时场景布局的不确定性,提出了一种自适应的行为提取技术和两种域无关的识别模型。自适应的行为提取技术通过提取环境自适应的阈值,并不断优化信号中提取的特征,判断提取行为的起止点。两个识别模型的核心分别为域无关特征的提取和域适应技术的引入。最后,分别在手势识别和行为识别两个应用中,对人员位置、人员朝向、房间变化等多种场景不确定性下验证了两个模型的可行性。