随着模式识别理论的不断成熟以及Wi-Fi技术的迅猛发展,基于信道状态信息(Channel State Information,CSI)的人体行为识别在近些年来得到了研究人员的普遍关注。基于CSI的人体行为识别方法因其感知目标无需携带任何设备,无线感知系统易于部署和使用,在涉密区域安全监控、家庭医疗监护、新型人机交互等领域有广泛的应用空间。虽然基于CSI的人体行为识别得到了较大的发展,但仍存在许多尚需处理的难题,目前绝大多数研究方法只考虑对人体行为的识别,忽略了环境变化的特点,其中包括人体的位置变化以及人体行为的差异性,从而造成在实际应用中,由于人体的位置改变或者用户的差异性导致识别精度低。此外,目前的分类识别方法并没有考虑人体行为的特性,因此,如何使识别分类器的识别精度高、复杂度低,并具有较强的泛化能力是识别探讨的焦点之一。基于上述问题,本文主要进行了三个方面的研究工作:(1)在数据预处理部分中,本文首先采用自适应加权融合算法来对CSI的多天线数据进行数据融合,然后使用局部异常因子(Local Outlier Factor,LOF)算法检测人体行为的开始和结束,通过这两种算法,能够获取到最能表征人体行为的CSI数据。(2)针对行为识别过程中的特征提取问题,分析了CSI与人体行为在速度上的变化关系,利用离散小波变换对CSI信号在时频域上提取了不同尺度的小波能量和小波能量差这两种特征,通过这两种特征,能够解决人体的位置变化以及人体行为的差异化问题。(3)分类器方法中,提出了一种五状态半连接HMM(Five Semi-Connected HMM,FSC-HMM)的分类器方法。FSC-HMM是在隐马尔可夫模型(HMM)的基础上,根据人体行为特性,确定最适合模型的状态数目以及状态转移条件,更符合人体运动特点,相对于传统的HMM,提高了行为的识别准确率。通过对上述方面的研究工作,本文设计实现了该系统并进行验证实验。经过实验分析对比,验证了基于CSI的人体行为识别系统的可行性和有效性。