随着无线设备的广泛部署,使用Wi Fi信号进行人体动作识别,在人机交互等领域起到重要作用。现有的方法针对不同场景下对同一套动作的识别准确率存在差异的问题,提出利用大量的动作数据对模型进行训练。但是,人工收集大量数据耗时耗力,并且模型对大量数据训练时会导致训练周期变长。本文利用迁移学习和少样本学习方法解决上述问题,论文主要工作如下:信道状态信息受环境影响会产生不同的变化,这会导致在不同时间或不同人做的动作具有差异。本文提出利用特征迁移学习方法解决模型面对不同环境数据时导致的泛化性能不足问题,用平衡因子平衡源域和目标域之间的分布,让两域之间的样本特征差异最小化,从而让训练出的模型适用于目标域。经过实验验证,提出的方法在不同时间段的环境变化下的迁移准确率达到80%以上,在相同环境下不同人做的动作的迁移识别率达到70%以上。由于动作数据集不大,很难通过大规模的训练得到一个高识别率模型,当环境发生改变,在一个场景下训练出的模型不能适用其他场景。本文提出利用一种少样本学习方法和迁移学习结合解决上述问题。利用元学习和迁移学习的特点,将模型从不同场景中学习到的知识迁移到新场景中,并且改善了泛化能力不足的问题,最终让模型具有较高的识别精度;在模型中加入注意力机制模块,可以自动提取对模型有用的动作特征;并对网络进行缩放和移位变换,减少模型的参数,提高模型的训练速度,避免模型过拟合问题。使用SIGFI数据集构建5-way 1-shot的任务的手势识别准确率为85.3%,使用自制数据集构建5-way 5-shot的任务的动作识别准确率为80.6%。