在当下万物互联的时代潮流下,利用人工智能实现人体动作识别这项技术得到了迅速发展。尽管市面上的很多人体动作识别技术是相当成熟的,包括相机和一些可穿戴式传感器设备,但因本身存在的一些使用环境限制和相关设备高昂的成本阻碍了其实际应用。另一方面,鉴于WiFi信号在日常生活中随处可及且设备成本低廉的原因,学者们开始研究如何利用WiFi信号中的信道状态信息（Channel State Information,CSI）识别人体动作。然而,尽管利用WiFi识别人体动作有着不错的效果,但通常WiFi信号中夹杂着环境有关的信息。这会导致在一个环境中训练好的模型被用于不同的环境时则表现不理想。针对以上所述问题,本文采用WiFi CSI信号数据作为判别不同人体动作的依据,并提出适用于任意不同环境的WiFi人体动作识别模型。本文主要完成了以下工作:（1）采用了CSI信号识别人体动作,搭建了CSI采集装置,在为期四十多天的时间内收集了实验所需的全部数据,并且完成了数据的清洗及特征提取工作。（2）为了探究泛化功能强的模型,本文参考图像领域的域适应技术将其应用在CSI数据上,提出了基于域对抗算法的人体动作识别模型。该模型可以自动忽略CSI信号中的环境干扰因素且运用对动作识别有利的特征进行分类。本文将数据分为源域有标签样本和目标域无标签样本。根据实际场景需要,设计了单源域对抗模型WiFi-DANN和多源域对抗模型WiFi-MDAN。实验结果表明,单源WiFi-DANN模型动作识别率是73.8%,比未使用域对抗算法学习时提高了7.8%,而多源WiFi-MDAN模型在不同环境下取得了高达90.6%的识别精度。（3）提出了一种环境自适应的WiFi-EAN模型。该方法在一般训练模型应对大部分环境的动作识别工作的基础上,利用中间件模型修改特殊环境下产生的CSI数据使其适应一般训练模型。再利用一般模型对修改后的CSI数据进行分类得到相关识别结果。实验结果表明,WiFi-EAN模型的输出动作识别准确率达到90%以上。