最近几年来,随着无线设备的普及以及对无线感知技术的需求增长,使得人们对目标检测以及人体数量预测应用技术研究得到了极大的提升。基于无线无设备被动目标检测研究主要从接收信号强度指示和信道状态信息两方面展开,由于信道状态信息与接收信号强度相比更具有细粒度,因此现有的关于室内入侵检测研究基本上都是以信道状态信息为基础。相比于视距下的目标检测研究,穿墙场景下目标检测研究更具有灵活性,便于监测视距和穿墙两种场景。但是在实际研究时由于无线信号经过墙体反射和衰减使得对信号分析更具有难度,传统的视距目标检测方法,在穿墙场景下检测结果并不理想。为了克服传统方法的局限性,本文分别在穿墙场景下的入侵检测和人数识别方面提出了一种新的检测方法,主要工作内容如下:针对现有基于Wi-Fi信号的移动人体检测方法在信号穿墙时检测率低的问题,提出了基于子载波相关性特征的被动穿墙动态目标检测方法,采用低通滤波技术对CSI信号降噪,通过子载波之间的相关性选取检测特征,并训练支持向量机分类器对有无目标入侵分类,通过多天线投票原则对每根天线的结果进行投票,判断室内是否存在运动目标。在两种典型的室内环境会议室、实验室,邀请五名志愿者在三种穿墙场景下采集志愿者动态数据和室内无人静态数据,通过采集大量的实验数据,实验结果表明,在穿过三种不同墙体的室内人体入侵的检测精度都能达到96%以上,实现了Wi-Fi信号穿墙环境下的高精度移动人体检测。针对现有基于Wi-Fi信号的人数预测方法在信号穿墙时失效的问题,提出了基于时域及频域多维特征的穿墙场景下的人数预测方法,首先对CSI数据进行预处理,然后通过时域和频域选取多维特征,选取具有复杂映射能力的BP神经网络完成多人体数量的预测,最后通过多天线投票原则,对每根天线的预测结果进行投票,完成人体数量的预测。通过实验表明该实验方法在三种不同墙体的无人、一个人体目标、两个人体目标、三个人体目标的平均检测精度分别为:99.5%,97.5%,91.6%,92.1%,实现了Wi-Fi信号穿墙环境下的有效人数预测。