随着智能信息时代的到来,室内人员感知技术也迅猛发展。大量室内人员感知应用需求涌现的同时,也不断提出更高的要求。在使用传感器设备无法同时满足可靠性、安全性、实用性和普适性的情况下,研究逐渐转向基于WiFi信号的无线室内感知方向。WiFi设备成本低廉,安全可靠,并早已在室内大量部署,在作为常用网络传输设备的同时,也能作为室内感知的信号源。WiFi接收信号强度指示(RSSI)作为网络链路层常规感知数据源,由于易受多径效应影响,数据不稳定,已逐渐被淘汰。信道状态信息(CSI)是网络物理层更细腻精细的感知数据源,能够抵抗一定多径干扰,提供更为丰富的室内环境变化特征。随着商用WiFi设备能够获取得到WiFi的CSI数据,基于WiFi的感知研究焦点逐渐转向了CSI。本论文使用CSI数据感知室内人员,包括人数统计、身份识别、定位追踪和行为识别四大应用。感知内容可以满足室内大部分应用,回答了人有多少,人是谁,人在哪和人做什么四个问题。在人数统计中,提出使用多普勒频移特征来识别通行人数,并利用旋转分割解决连续通行识别问题。在身份识别中,挖掘了通行数据中的统计特征,使用隔离森林算法做身份认证,即识别未知身份与已知身份,使用支持向量机(SVM)做分类,识别具体已知身份。在定位追踪中,提出深度神经网络(DNN)回归计算目标位置,并结合粒子滤波和地图匹配算法优化定位结果。在行为识别中,采用循环神经网络(RNN)进行行为识别,并比较视距、非视距和穿墙三种不同场景的识别效果。实验结果表明,本论文提出的人数统计算法在非连续通行情况下,人数分类正确率为95.6%,在行人间隔超过8米情况下,连续通行分类正确率为90%。身份识别实验中,对于只有一个合法用户情况下,身份认证的识别精度超过93.3%,两个合法用户的认证识别率为88.9%。身份识别6个人的分类精度为96%。在定位追踪问题中,分别在实验室和大厅进行了实验,两个场景的定位精度都为0.54米。对于行为识别,识别了6种常见行为动作,识别精度在视距下为98.3%,非视距下为96.6%,穿墙场景下为95%。实验证明本文提出的方法能有效解决室内感知问题,并且实验评估结果优于业界现状。