近年来随着物联网技术的发展,人机交互技术在日新月异的进步,其中涌现了多种创新的技术,并且在多个领域都有实际应用。这其中,基于Wi Fi信道状态信息CSI（Channel State Information）的人体行为识别由于具有被动感知、非侵入性和无隐私问题等一系列优点,在过去的二十年中引起了许多研究人员的关注,取得了丰富的研究成果。但是,目前也还存在一些问题亟待人们去解决:现有的大量基于深度学习算法的人体行为识别系统,在一个目标环境中花费较高的成本部署好后,却缺乏快速更新的能力去适应新环境、新用户与新动作,识别准确率会不断下降,而重新采集数据优化识别模型参数又需要消耗大量的人力、物力和时间成本,系统缺乏足够的鲁棒性和泛化性。为了解决上述问题,本文首先分析总结了目前研究人员提出的解决方案以及不足之处,然后据此开展工作,提出了尝试研究攻关的两个方向:本文首先设计了一个基于生成对抗网络的数据增强模块FWGAN（Feature Wasserstein Generative Adversarial Network）来提升系统的鲁棒性,可以合成虚拟样本来帮助训练人体识别模型。特别地,数据增强模块首先采用了一个特征提取器提取真实样本的特征来实现训练模型加速收敛的过程,提出了一个改进的损失函数来提升系统性能,并设计了一项正则化约束改善鉴别器模块的区分样本能力。其次本文提出了一个基于元学习策略的小样本人体行为识别系统AFSLHAR（Augment Few Shot Learning-based Human Activity Recognition）框架来提升系统的泛化性,它集合了数据增强技术和小样本学习算法的优点,可以通过少量样本来微调模型参数从而避免了从零开始重新训练网络,使系统能够快速更新适应于新识别任务。最后本文对于所设计提出的系统分别进行了大量实验验证,综合使用多种评价方式,并和其它先进方法进行了对比分析,有效检验了所提出系统的性能。实验结果表明,数据增强模块FWGAN可以有效提升系统的鲁棒性,而AFSL-HAR可以快速更新模型。当每个动作类别仅提供少量样本的情况下,AFSL-HAR在公共数据集和自制数据集上识别新动作时的准确率分别达到了98.9%和94.7%。