人体动作识别技术使得计算机能够感知并识别用户的动作,在人机交互、计算机视觉、物联网技术、认知科学等领域有着非常重要的意义。近年来,随着深度学习、5G技术的飞速发展,Wi Fi环境下基于深度学习的人体动作识别领域取得了突破性进展。但是Wi Fi环境下基于生成对抗网络的人体动作识别技术还存在一定的局限性,进而影响了模型的识别率。本文基于生成对抗网络技术开展人体动作识别的研究工作,从模型优化方面提高模型对人体动作的识别率和生成器的稳定性。判别器优化方面:考虑到CSI数据的矩形形状以及CSI子载波的非相关性,提出在SS-GAN中用矩形卷积核替代方形卷积核的方法,来提升模型对CSI数据特征的提取精度。判别器中引入可变形卷积算法,使模型在训练中,可以根据给定的采样尺寸,进行自适应的采样区域调整,在模型训练的过程中通过反向传递来确定最终的采样区域,以提高模型对人体动作的表达能力,识别能力。生成器优化方面:生成器中引入域转换技术,通过深度可分离卷积融合人体动作信息和类别信息,从单域生成器向多域生成器转换。在域转换技术的基础上引入了自注意力机制,训练中使模型在生成样本的过程中聚集在和人体动作相关的那部分上。利用生成器将人体动作的样本生成具有其他域风格的人体动作样本,从而扩充数据集的数量。本文方法只需一个模型就可以生成具有多域风格的人体动作样本。通过设置多组对照组实验,验证了可变形卷积、矩形卷积核、自注意力机制、多域转换技术不仅可以提高SS-GAN的识别性能、训练稳定性,还可以降低生成器网络的损失。