随着科技的飞速发展，人机交互已不再是仅存在于科幻电影中的梦想。而基于WiFi技术的动作识别又是人机交互中重要的一部分。WiFi无线信号分为接收信号强度指示与信道状态信息。其中基于信道状态信息可识别更细粒度的信息，因此本文将针对信道状态信息进行高鲁棒性动作识别技术研究。
　　动作识别过程包括离线与在线两阶段。其中，离线阶段输入数据进行模型训练，在线阶段负责最终识别。然而如今的大部分研究并未考虑离线阶段训练的用户与在线阶段识别的用户可能并非是同一人的情况。由于不同的用户即使做相同的动作都不会完全一致，而这种不一致在易受环境影响的信道状态信息上表现的更为明显，所以用户间的差异性直接影响了识别的准确率。针对离线与在线阶段非同一用户的动作识别，提出使用卷积神经网络与SVM分类器结合的方法共同构建识别训练模型。首先对采集的CSI数据使用LOF算法滤除异常值，然后送入卷积神经网络进行特征提取，最后使用SVM分类器进行动作识别。
　　另一方面对于同一用户而言，其不同情况下即使做同一个动作都会由于幅度、方向等问题导致动作并非一致，同样会引起信道状态信息的不一致，降低识别准确率。针对离线与在线阶段的同一用户的动作识别，提出了匹配稳定特征的方法。该方法主要依据于人的习惯问题。由于用户做的每一个动作都会加入其自身习惯特征，所以不同时刻所做的同一动作中均有一部分是不改变或是改变甚微，解决该问题的关键点即找出稳定特征。其次，由于不同子载波受信道影响表现不同，为了提高整体性能，提取出受信道影响大的关键子载波的信息用于识别。然后使用PCA对关键子载波进一步降维去噪，最后使用随机森林对动作分类。实验结果表明，提取稳定特征确实可以提高识别的准确率。