随着人们生活水平的提升,对身体健康方面的要求也越来越高,更多人选择居家环境下的健身来提高身体素质。另一方面,WiFi信号由于其低成本和普及性等特点被广泛应用于室内环境下的动作识别。因此利用WiFi信号对居家环境下的健身动作进行识别具有可行性与实用性,可以有效的指导室内健身活动。然而用户的行为习惯、体型和性别等存在差异,训练通用模型用于不同用户的动作识别往往因为忽略这些差异而出现模型性能下降的问题。此外,需要足够的样本数量和大量的时间成本才能得到性能较好的模型。为解决上述问题,提出基于WiFi信道状态信息的个性化室内健身行为识别模型。通过针对不同用户训练个性化的识别模型来解决因用户的行为习惯、体型和性别等差异带来的用户多样性问题。而对于样本数量问题,首先采用高频采样频率进行数据收集,然后对数据进行均匀分割,对分割后的数据进行拟合,求得95%的置信区间,通过在区间内重新取值从而产生数倍于原数据的虚拟数据;此外,利用动态时间规整来度量不同用户之间的相似度,然后从旧用户数据集中迁移与新用户数据最相似的特征数据,将不同特征数据融合为数据集,最大限度的降低新用户数据收集所需的样本数量和时间成本。最后对个性化识别模型进行实验验证,并利用三种常见的分类方法:K-近邻算法、支持向量机算法、决策树算法,与通用模型进行横向对比。实验结果表明,个性化模型的识别精度分别为:96.6%、92.6%、93.8%,总体上的分类精度为94.3%,相比于通用模型的62.3%有较大的提升。