近年来,WLAN(Wireless Local Area Network)技术飞速发展和应用,无线局域网络不仅可以用作通信,也可用作环境感知。无源感知技术在现有的WLAN设施基础上展开,相较于有源感知技术需要在感知环境中部署大量传感器,或者需要随身携带专有设备,无源感知技术无需随身携带任何专用设备,利用部署环境内无线信号的变化即可判断是否发生入侵以及对入侵者的特征信息进行识别,具有重要的研究意义和应用。但现有的无源入侵检测方法和目标分类方法的精度和开销尚不能满足实际应用的需求。因此,论文主要对如何更准确的判断入侵及入侵后对人员特征进行分类开展研究。首先针对无源室内入侵检测系统开展研究,现有的检测方法在判决阶段大多采用基于阈值的方法,该方法的阈值选定后无法随着应用场景或周围环境变化自适应更新,导致误报率较高和鲁棒性较差。为了解决上述问题,本文研究提出了基于CSI(Channel State Information)动态方差的KNN(K Nearest Neighbor)室内入侵检测方法,该方法在判决阶段使用了KNN算法,用相似性度量值作为自适应的入侵检测判别条件,使待测数据的判别结果取决于其与现有指纹库中方差数据的相似程度,而指纹库中数据随着环境的改变而更新,因此使用KNN算法进行判决可以自适应环境的变化,从而提高了系统的鲁棒性,降低误报率。通过分别在多径较丰富的室内环境和多径较少的走廊环境进行实验验证。实验结果显示,该方法的正确入侵检测率达到99%,相较于基于阈值的方法提高了8%,误报率降低了24%。在实验过程中,为了更贴近实际应用,我们需要将不同私有子网间实验设备的数据进行点对点传输,但现有方案受到现实情况下网络架构中NAT和防火墙设备的限制难以实施。为了解决这一问题,提出了一种因特网范围内的串口透传和程序更新方法,通过MQTT协议对数据进行分段打包,绕过了NAT和防火墙设备拒绝传入连接的特性,实现了不同私有子网间数据的点对点传输。接着,论文分析总结了现有无源目标分类方法中的两个问题,一是采用RSSI(Received Signal Strength Indication)作为基信号,RSSI是多径信号的叠加,其分类精度,依赖无线收发器的数量,导致精度和费用之间的不平衡;二是需要针对具体应用环境进行手工特征提取,所带来的工作开销,导致其很难在现实场景中推广使用。针对上述问题,本文研究了基于BP(Back Propagation)神经网络的无源目标分类方法,该方法:一是使用CSI代替RSSI作为基信号,CSI是物理层信息,一对无线信号收发设备就可以获取足够多的信息,使更细粒度的感知可以在低成本下实现;二是使用BP神经网络代替手工提取特征,BP神经网络通过网络训练,具有自主学习信号特征的能力,避免了手工提取特征带来的工作开销。以身高分类为例在室内环境下进行目标分类的实验验证,实验结果表明,所提方法在只有一对无线收发器以及自动提取特征的前提下,对于身高分类的准确度平均可达到92%。本文还通过不同基信号对分类准确度影响、不同分类算法对比等多个实验,从不同角度对提出的方法进行验证。