基于隐式感知的人体行为识别因无需被感知对象穿戴任何设备以及涉及用户隐私少等优点而被广泛应用。现有的研究为了保证完成人体行为识别任务,往往部署多于实际需要的传感器节点,从而让无线传感器网络完全覆盖监测区域。且在数据处理时利用了所有的无线射频信号,同时未考虑传感器节点的有效部署位置,容易造成数据冗余、信道干扰、计算量大、硬件使用成本浪费等问题。本文使用了多层链路联合识别模型,结合相关理论研究,围绕“隐式感知人体行为识别”和“传感器节点部署优化”两方面进行研究。针对传感器节点部署优化问题,本文提出了基于遗传算法寻找最优节点子集的方法,通过大量的实验结果研究分析发现,此方法能够有效的减少节点部署的数量。本文的主要工作如下:(1)在真实的室内环境部署传感器,本文为了保证数据的精准性,采用行为切换的方式进行数据采集工作,即六种不同的行为数据对应六个不同的文本。同时使用了滑动窗口技术填充丢包的数据,提取时域均值特征,构建人体行为识别的数据集。(2)分别使用k近邻和支持向量机对原始数据集构建训练模型和识别模型,分析人体行为识别精度,从而选择出合适的分类算法。然后使用遗传算法进行节点子集寻优操作,即利用算法筛选出来的候选节点子集对应的数据链路子集识别人体行为,以便找到识别精度在阈值92%以上和节点使用最少的候选节点子集,即为最优节点子集,找到其对应的节点编号,根据节点编号部署传感器节点用于隐式感知人体行为识别。为了验证此方法的鲁棒性,本文分别在两种不同类型的室内环境进行实验,冗余节点均减少60%以上。