基于无线信号的行为识别技术已成为人机交互和普适计算的关键研究领域。窄带无线信号在空间中广泛存在,信号在传播过程中遇到障碍物会被阻挡、反射或散射,因此接收端接收到的叠加信号会携带环境信息。当障碍物是移动的人体时,信号就会携带人体的行为信息,通过分析提取信号特征再进行分类,可以完成对行为的识别。本文运用无线信号处理和机器学习等技术,针对现有系统的行为识别精度较低、功能单一,及无法评估行为质量等问题展开了研究。首先,本文探讨了如何将深度学习的方法应用于行为识别系统,自动地提取信号潜藏的关键信息,从而减少特征选取的人为因素,提高识别精度。本文设计了基于梯度的方法来检测单个动作的信号边界,构建具有多隐藏层的卷积神经网络模型,有效地提取数据中的关键特征,提高行为识别精度。其次,本文首次提出使用无线信号进行动作质量评估,构建动作质量模型,分析并识别细粒度的动作特征,得到质量信息(动作的运动时间,运动速度,运动距离),从而检测行为的实施与预期的偏差,判断其是否在可接受的范围之内。本文提出基于行为的融合策略,根据各个动作的质量类型,判断行为的质量类型。最后,本文设计并实现了一个利用窄带无线信号,识别行为并评估其质量的原型系统WiQ。WiQ对动作的识别精度达到98%。根据质量信息,WiQ能够以97%的精度区分三种身体状态,当识别对象是15名驾驶者时,识别驾驶员身份的平均精度达到88%。