活动识别作为人机交互的重要媒介,在智能家居、医疗看护等生活领域被广泛研究。由于无线感知领域中基于Wi-Fi信道状态信息（Channel State Information,CSI）的活动识别技术弥补了视频监控技术易侵犯人隐私和穿戴式设备需实时佩戴的缺点,近年来在被动式活动识别领域飞速发展。但基于Wi-Fi CSI的活动识别方案在更换场景和增加新用户后,存在识别精度不佳的问题。这是由于缺乏足够的新环境和新用户活动样本以及活动数据随着用户和场景改变而发生变化导致的。针对以上问题,本文提出了Wi-Fi场景下新用户和跨场景的室内人体活动识别算法,主要内容如下:（1）针对Wi-Fi新场景和新用户CSI活动数据不足引起的分类模型精度下降的问题,提出了一种基于最小二乘损失的循环对抗网络的CSI活动数据扩增方法。首先,本文将CSI信号数据转换为信号图,再结合原有用户或原环境中的真实活动数据及1/10的新用户或新环境中的真实活动数据,基于循环对抗网络对新用户或新环境CSI活动进行数据扩增。在训练过程中,针对生成的信号图质量不高和训练过程不稳定的问题,引入了最小二乘损失优化生成器来提升生成的CSI信号图质量。实验结果表明,在针对新用户和新环境的人体日常活动和手势活动识别任务中,本文提出的数据扩增方法结合多种分类网络相比扩增前均提升15%以上的活动识别精度。（2）针对现有Wi-Fi场景中新用户活动识别精度不高的问题,提出了一种适用于新用户活动识别的基于密集卷积和边界约束的小型分类网络模型。本文首先对新用户数据集重构,之后设计了一个基于密集卷积块的小型基准网络,并嵌入边界约束模块来学习每种活动的代表性特征,使得不同用户相同类别活动的特征空间更聚集,不同活动类别之间的特征空间分布更分散,以此提高新用户活动识别的准确率。实验结果表明,本文提出的小型新用户活动识别算法在公开数据集和本文采集的手势活动及日常活动数据集上较前沿深度神经网络提升了3%以上的准确率,参数量仅为前沿分类网络的1/10。（3）针对基于Wi-Fi CSI的活动识别任务在跨场景和跨用户情况下精度下降的问题,提出了一种基于自校准交叉和分层级联注意力机制的分类网络模型。自校准交叉注意力模块将特征图通道一分为二分别进行自校准卷积操作和交叉注意力权值学习,以增强网络对局部特征信息的学习。分层级联的自注意力模块将特征图划分为等大的区域,以分层的方式对全局特征关系进行建模,学习长距离的上下文信息。实验结果表明,本文提出的通用活动识别算法在跨场景和跨用户的人体日常活动和手势活动识别任务中均达到95%以上的识别准确率。综上所述,本文方法在基于Wi-Fi CSI的室内新用户和跨场景人体活动识别任务上能获得较高识别准确率。其中,小型新用户活动识别网络可应用于智能家居等人机交互领域,通用网络识别模型可为今后的Wi-Fi CSI活动识别任务提供新的解决思路。