随着无线通信技术和人工智能的发展,基于WiFi的室内人员感知已经成为了炙手可热的研究对象。其中活动识别和手势识别应用广泛。由于WiFi信号具有覆盖范围广、普及性高等优点,且其物理层信道状态信息（CSI）对人们的活动和手势感知较为敏感,适合用于室内的人员感知任务。但是WiFi信号存在不稳定、受环境变化影响大的缺陷,从而制约了无线感知的进一步发展和实际应用。因此本文针对环境对无线信号的影响,从应对环境变化的角度上对室内WiFi人员感知进行研究,感知任务主要为活动识别和手势识别。本文针对环境变化对无线信号的影响,研究变化环境下的人员活动识别和手势识别。为应对环境变化,本文提出一种基于伪标签的域对齐方法。首先通过使用少量带标签样本给无标签样本贴伪标签,采用动态时间规划距离衡量样本之间的相似度,迭代地给每一类中相似度最大的样本贴上伪标签,并转化成软标签形式。然后使用最大均值差异来衡量不同域之间的数据分布距离,通过增大不同类之间距离以及减小相同类之间距离的方式来进行域对齐。最后使用卷积-循环神经网络来提取样本的时间特征和空间特征,对活动和手势进行分类。本文按照环境的变化程度情况分成房间内变化和跨房间变化。针对房间内变化提出无监督域适应方案,目标域环境中样本不带标签。针对跨房间变化提出半监督域适应方案,目标域环境中带有少量数据标签。本文在开源数据集和自采数据集上进行了实验验证。对于无监督域适应方案,本文的方法在活动识别上的平均精度达到85.2%,手势识别精度达到82.7%,对比于直接使用源域模型方法分别提升了22.9%和27.2%;在半监督域适应方案中,本文方法的平均精度在活动识别上达到了81.1%,手势识别上达到了78.5%,对比于直接使用源域模型方法分别提升了57.6%和59.2%。同时本文还与相关工作中其他域适应方法进行对比,本文的方法也取得了高于其他域适应方法的结果。