随着视频数量的不断增加以及深度学习的发展,人体动作识别研究取得了不错的进展。基于视频内容的人体动作识别技术在智能监控、动作预测以及视频目标追踪等领域都具有重要应用。比较成功的人体动作识别方法是双流卷积神经网络模型,该模型通过时间流和空间流两个网络联合视频中人体动作的外观特征以及运动特征对动作进行识别。但是该模型输入的信息（光流图和RGB图像）容易受到背景混乱、视角变化、物体遮挡等因素的影响。考虑到Wi-Fi信号在动作识别任务中可以克服环境因素的制约,并且其具有成本低、设备部署简单且适用性广等优点。因此,本文在双流网络模型基础上,进一步融合Wi-Fi信号特征去识别视频中的人体动作。本文首先基于时空双流卷积神经网络模型分别提取人体动作对应的背景以及运动信息,融合这两种信息并输入到LSTM网络中得到视频长时运动特征。同时,使用巴特沃斯低通滤波器以及主成分分析法将视频动作对应的Wi-Fi信号进行去噪降维处理,进而使用统计算法提取CSI信号特征,然后将运动特征与CSI信号特征采用两种不同的方法进行融合,即直接平均法和加权平均法,最后使用线性SVM分类器对人体动作进行识别。为了验证本文提出的多特征融合的人体动作识别方法是有效且可行的,我们首先建立了一个基本人体动作数据集,即在正面和侧面两种不同的角度下录制人体动作视频并同步采集动作对应的Wi-Fi信号信息。然后在该数据集上设计对比实验,实验结果表明特征采取加权平均的融合方式比直接平均的融合方式具有更高的识别准确率。也证明了本文提出的多特征融合的人体动作识别方法比双流网络模型方法在动作识别准确度上提高了4.2%,缓解了双流网络易受环境因素制约的不足。