近些年,随着深度学习在计算机视觉领域取得的巨大成功,其也在无设备人体活动识别领域给了人们新的启发。人体活动识别的方法分为基于传感器的、基于图像的和基于射频信号的。上述几种传统方法都是在采集到信号后,经过信号预处理,使用不同的分类器对动作进行分类。基于射频信号的人体活动识别技术因其不受光线限制、无需穿戴设备以及不侵入人们的隐私的优点在近些年的研究中更加受人青睐。深度学习在人体活动识别方面的应用可以对大量的信号集进行训练,不再指定特定的统计特征作为分类的标准,提升活动识别的精度。本文旨在降低环境布局对于室内人体活动识别的影响,提升人体活动识别系统的可复用性,构建了一个与位置无关的非接触式室内人体活动识别系统,通过装有Intel 5300网卡的计算机采集描述无线信号空间细粒度信息的信道状态信息（CSI）,在信号处理阶段与活动分类阶段分别对传统方法进行优化。在信号预处理时首先对信号进行异常值处理、降噪等,后采用了一种用于图像处理的增强PCA算法处理信号,使用增广拉格朗日乘子法将预处理过的人体活动信号（稀疏部分）从背景信息（低秩部分）中分离出来;在模型训练时提出了一种基于卷积神经网络（CNN）的迁移学习的方法,在数据采集时将房间划分为二十五个部分去构建数据集,通过观察数据的统计特征、比较数据间的最大均值差异（MMD）以及基于菲涅尔区的无线感知原理寻找训练初始CNN模型的典型位置,未被使用过的位置数据组成二级数据集进行迁移学习,达到使用尽可能少的数据进行训练也能进行准确识别的作用,同时在另一个房间中对该系统进行测试,活动识别率平均也能达到87.8%,相比于传统活动识别方法CARM、Wi Fall、E-eyes等方法在另一个房间的识别精度分别提升了1%、29%、15%。本文设计的系统可以应用于居家监控领域,用于识别独居老人在家的日常活动如行走、坐下等,相比之前的研究可以使用较少的信号数据进行训练也能达到相当的精度,同时经过训练的模型具有可移植性,故该研究具有良好的应用前景。