手势识别作为人机交互的重要组成部分,使人们能够自然的、灵活的与机器进行交流,这让手势识别研究受到越来越多的关注。目前,手势识别研究主要基于以下三种方案,分别是基于计算机视觉,基于可穿戴传感器以及基于无线感知的方案。其中,基于计算机视觉的技术对光线条件要求苛刻,且目标用户需要暴露在摄像机前,存在隐私问题。基于可穿戴传感器技术需要用户时刻佩戴硬件设备,且硬件设施价格昂贵,不利于应用普及。因此,不需要考虑光线因素,无需佩戴任何设备且价格低廉的基于Wi Fi的无线感知手势识别技术成为研究热点。本文从数据预处理,手势特征提取以及手势识别三个方面介绍现有基于无线感知技术的手势识别研究所采用的解决方法,分析其存在的问题和缺陷,并针对问题提出本文的解决方案来弥补相应缺陷。本文提出了一种基于信道状态信息(Channel State Information,CSI)的手势识别系统Wi Num,通过从商用Wi Fi中提取出可以描述手势活动的信道状态信息数据,以实现细粒度的十种手势的识别。该系统应用离散小波变换(Discrete Wavelet Transform,DWT)技术对数据进行降噪处理,相比于离群点去除和低通滤波器降噪方法,DWT能够更加精确的消除手势信号中的噪声信息,保留与手势行为相关的CSI数据。本文通过构建手势信号的熵函数,提出了一种新颖的自适应手势分割算法,能够根据当前手势数据自动判别分割阈值,并且可以从连续多段手势信号中准确的检测出每段动态手势的起点和终点,具有很好的鲁棒性和有效性。区别于K最近邻(K-Nearest Neighbor,KNN)、支持向量机(Support Vector Machine,SVM)和长短期记忆网络(Long Short-Term Memory,LSTM)等常用的手势分类算法,本文采用梯度提升决策树(Gradient Boosting Decision Tree,GBDT)算法进行数据分类,能够在少量样本数据条件下达到较高的准确率。此外,Wi Num系统不仅可以识别单个的手势信号,还能实现多个连续手势信号的识别。最后,为了评估系统的有效性和鲁棒性,本文在室内环境中进行了整体评估实验以及多组对比实验。整体评估表明了Wi Num系统对于单个手势的平均识别准确率有91%,对连续手势也有85%的平均识别准确率,有效性强。对比实验包括不同分类方法的对比,不同用户和不同速度对实验的影响,不同采样率、样本数量和收发距离对系统的影响,这六组实验结果都表明,Wi Num系统具有很好的鲁棒性和有效性。