人体活动状态感知是获取用户输入、理解用户情境的重要途径之一,一直是普适计算的一个核心研究主题。基于Wi-Fi信道状态信息的非接触式感知能够复用现有的商用Wi-Fi设备,无需增添、佩戴设备,可以让感知系统淡出人们的视野,使人们不用分心关注人机交互使用的工具,是一种较为理想的感知方式。然而,Wi-Fi通信链路的信道状态信息不仅反映了用户活动状态的特征,也受室内环境障碍影响。这就意味着环境布局变化时,Wi-Fi感知系统的性能可能会下降。本论文主要探索了降低环境变化对Wi-Fi感知系统的影响的方案,在现有研究的基础上,提出了一套能够自动适应使用环境的基于Wi-Fi信道状态信息的人体活动识别系统WiHARAN。在利用与使用环境差异较大的多个室内环境中的数据集训练后,WiHARAN系统能够识别使用环境中单个用户的活动。本论文的主要研究工作和贡献如下:（1）提出了一种基于微动作学习时频域特征的人体活动识别方法。人体活动对应的时频谱具备一定的局部相关性,也是一种时间序列数据。在预处理信道状态信息数据流并移除环境背景值,得到时频谱后,本论文将时频谱分解为由微动作片段组成的序列。系统随后综合运用卷积神经网络和循环神经网络,从片段序列中提取时频域特征。（2）提出了一种使用对抗式网络的环境信息消除方法。对抗式网络可用于寻找环境不变空间,将不同环境的数据变换到同一个与环境无关的特征空间中。WiHARAN系统在识别活动时使用对抗式网络,让特征提取网络与判别网络相互博弈,迫使特征提取网络学习不包含环境信息的特征。系统还使用了两种正则化技术,标签平滑化和特征空间平滑正则化项,以增强识别模型的泛化能力。（3）在多个室内环境中评估WiHARAN系统的性能,评估结果表明系统能够有效降低环境变化对人体活动识别性能的影响。系统的平均识别准确率达到85.71%,优于现有应对方案。系统在复杂环境中与基础识别模型相比的性能增益更大。同时,实验表明基于微动作的人体活动识别方法性能优于纯卷积神经网络的特征提取方法。