随着无线通信技术的快速发展,人们发现无线信号不仅有通信的功能,同时还具有感知环境中人体活动的能力。随着WiFi设备的普及,基于WiFi的活动识别算法走进大量的研究人员的视线内。特别是在WiFi信号中的细粒度的信道状态信息（Channel State Information,CSI）可以被成功提取之后,此研究方向的热度更加高涨。基于WiFi的人体活动感知识别技术相比于传统的基于图像和基于传感器的感知识别技术,具有众多优点,能够弥补传统感知识别系统的弊端,比如:基于图像的识别系统对光线的依赖,存在视觉死角和用户隐私泄露的危险;基于传感器的识别系统对用户的侵入感,传感器设备造价昂贵等。本文从基于无线信号的室内人体手势活动识别的角度出发,对以下三个方面展开研究:1.本文首先介绍了基于传统机器学习的人体手势动作识别技术,然后设计并配置了数据采集环境,处理并应用数据到实际系统中,最后实现了基于机器学习的智能家居手势控制系统。2.为了解决感知识别系统的不可迁移的难题,本文提出了基于ID的迁移机制,使用条件实例归一化（CIN）函数对源域和目标域人员的身份信息进行学习和映射,利用卷积神经网络作为骨干分类网络,实现了基于跨ID迁移机制的人体手势活动识别系统。实验结果表明。该系统在源域平均识别率能够达到98%,目标域达到95%。3.为了解决实验数据获取的困难,本文受图像风格迁移思想的启发,以CycleGAN和StarGAN为生成网络架构,研究了基于WiFi信号的信道状态信息的数据增强技术,并设计完成了基于CycleGAN和StarGAN的人体手势活动数据增强网络。实验结果表明,基于生成网络的数据增强网络可以实现扩充数据集的目的。