随着智能技术的快速发展,人们的生活逐渐进入了信息化、智能化的时代。人们的实际生活需求催生了各种新兴技术不断向前发展,其中人体运动检测技术成为了新的研究热点。传统基于视觉和基于传感器的人体运动检测方法存在对光照要求高、易泄露隐私和不易携带等缺点。而基于WiFi检测方法能够克服这些方法的缺点,因此成为当前热门的研究方向。本文围绕WiFi信道状态信息(Channel State Information,CSI)对人体运动状态的躯体动作和手势动作进行检测研究。本文中的主要研究工作有:首先,通过修改网卡驱动源码设计了上位机界面程序,在Linux系统下分别搭建了基于Atheros9590和Intel 5300两种网卡的CSI人体运动状态检测系统平台。现有的基于CSI的相关研究大都基于只有30个信道数据的Intel 5300网卡展开,本文搭建的Atheros网卡平台能够获取56个信道的数据。此外该系统能够自动实现不同人和动作的CSI数据包接收和分类存储,利用系统在不同环境下分别采集躯体动作和手势动作的原始数据集。其次,针对人体躯体动作检测中传统人工提取特征方式细节信息有限且繁琐,对此设计了一种集成卷积神经网络(Convolutional Neural Networks,CNN)、支持向量机(Support Vector Machine,SVM)、随机森林(Random Forest,RF)的检测模型 CNN-SVM-RF。首先通过卷积神经网络对原始的CSI动作信息自动的进行动作特征提取,把提取到的特征信息分别输入SVM、RF分类器中进行分类检测。CNN、SVM、RF三种分类器共享卷积网络提取的动作特征信息,然后利用基于概率异构分类器集成方法将三种分类器的概率预测结果融合得到预测输出。最后通过人体动作检测系统平台采集数据对算法进行模型性能分析,实验结果表明,相比于基准算法,本文运用的CNN-SVM-RF模型检测精度有明显的提升。最后,针对目前人体手势动作检测识别精度较低,对此设计了一种基于深度卷积决策森林(Deep Convolution Decision Forest,DCDF)的检测模型。该模型将传统的决策树分类器嵌入到深层网络中进行端对端的学习。首先构造卷积网络提高CSI手势信息的特征表达能力。其次构造概率决策树,树的分裂节点由不确定的路径函数控制。然后将决策树组成的概率决策森林嵌入到标准的卷积神经网络中进行端对端的训练学习。最后通过实验分析证明DCDF模型在人体动作检测领域相比于其他检测算法具有更好的检测效果。