在大数据背景下,缺少数据依然是一个普遍而严重的问题。由于事务具有多样性在有限的集合里无法全面覆盖,或者相关情景在现实生活中极少出现,都会导致样本数据的缺少。针对该问题的解决思路有很多,本文的主要解决思路是对缺少的数据进行过采样处理,通过丰富样例解决问题。本文所针对的任务是基于传感器数据的人体活动识别任务,提出了在该领域中由于数据缺少导致的两个问题,并针对问题提出了解决方法。第一个问题是同域数据不平衡问题,针对训练集合中存在活动类别数据量不平衡的问题;第二个问题是迁移学习中的域适应问题,并且是针对活动识别领域中在人与人之间进行迁移的问题,问题中存在目标域带标签数据极少量的问题。在第一部分中,本文在3个公开数据集进行实验。首先根究问题描述和对混淆矩阵的分析,发现当分类器在不平衡数据中进行训练,模型在测试中对于少数类别的数据很大可能会存在分类错误的现象。本文针对该问题提出的解决办法是利用对抗生成网络对少数类别数据进行过采样处理。而后对传感器数据分析注意到传感器数据具有时间窗口的特点。根据数据特点提出了BAGAN-SSIM模型作为少量数据的生成模型。在第二部分中,本文针对迁移学习中的域适应问题。阐述了在活动识别领域人与人之间进行迁移学习的必要性,并针对该问题提出了对抗迁移网络模型。在数据分析过程中发现,原域、目标域数据分类的易混淆类别的特征分布会非常相似。根据这一点,提出了拉开类间距的需求,通过实验对比确定了cosFace函数作为模型的损失函数。在最后部分,将对抗模型变为在线学习模型。在线情况下的模型准确率有所下降。实验表明此时模型迁移后的准确率随着输入标签的种类的减少,模型准确率保持在75%以上。