目前,我国患老年病尤其是老年痴呆症的人数日益增多,能够有效的检测患病老年人的异常行为并及时干预对独居老人生活质量的提高和生命健康的保证具有重要的意义。徘徊行为是老年痴呆症患者病情发作或加重的重要诊断指标之一,跌倒行为则是老年人健康的主要威胁,所以本文将这两类行为定义为老年人异常行为。而Wi-Fi技术的发展和广泛普及为非接触式人体行为检测提供了现实基础,深度学习的进步和相关设备的完善则提供了技术的支持。本文研究了基于Wi-Fi信道状态信息数据的老年人异常行为识别,为无线感知技术在老年人安全健康领域方面的应用提供了技术支持和理论参考。本文研究内容主要包括以下3个方面:（1）数据采集及预处理根据老年痴呆症患者徘徊行为的临床表现,设计了包含往返、转圈及跌倒3种异常行为在内的6种行为数据。在结合菲涅尔模型原理和动作尺度的基础上,合理部署数据采集设备进行了数据采集,并对数据进行了插值、滤波等预处理工作以消除在数据采集过程中设备或环境所产生的影响,最终获得了能够反映老年人异常行为的信道状态信息数据集,以此为后续实验打下基础。（2）基于GA-SVM的老年人异常行为识别基于引入核函数的SVM模型在小样本非线性分类任务中的优秀表现,本文采用了SVM作为行为识别分类模型,该模型中惩罚因子C和RBF核函数参数g是影响分类效果的重要因素,因此使用遗传算法来优化模型参数以提高行为识别模型的分类准确率。通过在一组主成分分析提取特征的自采集数据集上的实验验证,可达到91.39%的识别准确率。（3）基于CNN–BiLSTM的老年人异常行为识别基于循环神经网络擅长处理时序数据的能力,为提高行为识别效果,本文进一步研究了使用BiLSTM对数据进行分类的方法。并利用了卷积神经网络具有自动从数据中学习最优特征的能力来自动提取特征,通过在自采集数据集上进行实验后,识别准确率较GA-SVM模型提高了5%,达到了96.39%。