近年来,随着无线感知技术的飞速发展和智能设备的迅速出现,人们的生活变得越来越方便。优秀的人机交互能力是人工智能中十分重要的需求,特别是在人们进入到人工智能技术飞速发展的信息时代,其对人机交互的要求也越来越高。在红外探测技术,Wi-Fi技术和Zig Bee等无线信号中,基于Wi-Fi信号的无线感知技术因其设备部署的广泛性,保护用户隐私的安全性,无须光线的普适性和部署价格的低廉性等众多优点,在基于无线信号的感知识别中具有十分重要的研究意义,因此在人机交互中也具有重大潜力。在此背景之下,越来越多的研究人员开始致力于基于Wi-Fi信号的无线感知技术的研究。研究人员可以通过提取Wi-Fi信道中的状态信息（Channel State Information,CSI）来用于室内定位,入侵检测,人员计数,手势识别,呼吸检测,老年医护和行为感知等众多领域。但由于CSI数据与环境信息高度相关,传统的机器学习方法建模模型粗鄙,无法对人体手势活动实现精细化建模,导致训练后的模型不尽如人意,同时目前基于Wi-Fi的手势识别方法多数都是基于特定场景的训练,这意味着当出现新的场景时,手势识别精度会急剧降低,研究如何从一个已知场景到另一个未知场景下实现高精度的手势识别,即跨域手势识别,也常称作多场景下的手势识别,对于人机交互智能化下的多场景下具有理论意义和实用价值。本文深入研究了Wi-Fi手势识别技术,进一步提高了跨域手势识别的准确率,并进行了大量的相关实验,提出两种跨域手势识别方法,基于手工提取域无关特征的方法和基于自适应聚焦提取域无关特征的方法。主要工作内容如下:1.基于手工提取特征的方法。针对Wi-Fi信号的特点进行预处理,从中提取域无关特征人体坐标速度谱（BVP）,针对域无关特征BVP,设计了一种基于注意力机制的残差3D网络3D RAN网络来提取BVP的时空特征,实现跨域手势识别,进一步提升手势识别准确率。在公开数据集上评估了模型,实验结果表明在3个场景6种不同的手势的情况下,基于BVP的平均跨域识别精度达到了87.4%。2.基于自适应聚焦提取域无关特征的方法。针对手工提取特征的烦琐,提出一种自适应聚焦提取域无关特征的深度残差网络DRAN,它能实现最好的跨域识别性能,提出一种有效的CSI可视化方法,将空间的多个设备的CSI流融合成时间序列图像,提供一个更加细粒度的手势描述,同时模拟人体注意力机制,将多个维度的注意力机制有效连接,配合基本残差网络Res Net,动态聚焦于时空维度上的手势信息线索,在公开数据集上评估了模型,实验结果表明在3个场景6种不同的手势的情况下,基于深度残差网络的跨场景手势识别精度达到了92.6%。并且与近年来的跨场景手势识别方法相比,本文的方法识别率更高。