随着计算机和无线通信技术的快速发展,针对室内人员和财产的安防监控技术开始变得多元化。由于现有的摄像头、红外线等监控系统存在视野盲区、高成本等限制,因此通过WLAN技术提高室内安防系统的监管能力具有一定的研究价值。本文通过分析国内外现有的Wi Fi感知方法,针对传统检测方法易受到环境因素影响以及跨场景时消耗大量资源等问题,结合物理层信道状态信息(CSI,Channel State Information),分别提出针对隔墙环境和多个房间的人员行为检测模型。降低了多径效应对系统的干扰,并证明了深度学习方法在跨场景环境下实现相同目标检测的可行性。本文的主要工作及创新点包括以下三个方面:(1)分析了室内监控体系面临的挑战,根据各自的局限性,介绍现有的不同类型检测方案。主要讨论了基于计算机视觉、专用传感器的监控原理及其方法,对比基于无线设备的监控方案,分析使用Wi Fi感知实现室内人员行为检测的有效性,为Wi Fi检测人员行为奠定研究基础。(2)针对提取特征对于不同环境存在易受干扰的现象,提出一种细粒度的针对设备隔墙时的检测模型,验证了选取的特征对多径效应的抗干扰性。从信号处理和特征提取两方面改进,分别采取天线间相位差和波形图信息熵的特征提取方法。无需其他设备以及复杂的信号处理技术,我们在通用的网卡上实现了室内人员检测模型,该方法为设计新型室内监控系统提供了思路。(3)考虑已有的分类模型对于新数据集存在分类效果差的现象,提出一种基于卷积神经网络的多场景迁移感知模型。首先设计一种基于卷积神经网络的检测模型,最后通过基于层迁移方法的迁移感知模型,实现多场景人员行为检测。对比传统的室内人员行为检测模型,使用迁移学习方法可以避免大量的重复性数据采集工作,达到有效的跨场景人员行为检测。本文基于CSI信号的人员行为检测模型设计实现了有效可行的数据采集和特征提取方法,在此基础上,通过Matlab软件和Linux系统实现了适用于普通室内环境的人员行为检测的原型系统的仿真。