随着物联网时代的来临,准确的手势识别技术已经成为人机交互领域中众多新兴应用的基石。现有的手势识别系统主要基于相机和可穿戴设备,它们分别受限于光照条件与用户的积极配合。近些年,许多研究已经提出了一些基于无线信道状态信息（Channel State Information,CSI）的手势识别系统,在无需与用户接触的情况下实现非视距的手势识别。但是这些方法容易受到环境变动的影响,应用于新环境时都需要繁琐的数据标记和模型训练。针对上述问题,基于领域自适应的CSI手势识别系统采用迁移学习的方法适应环境的变化。当用户的手在无线环境中移动时,敏感的信道状态信息会发生变化。首先,系统捕捉这些变化的CSI帧,结合计算机视觉领域的思想,取出CSI复数矩阵中共轭天线对的相对相位,将其转化为三通道的二维图像。接着,将转化后的手势图像输入到基于残差网络的分类器网络中进行训练,实现对特定手势的识别。针对环境迁移时面临的挑战,分类器网络整合了最小化局部最大平方差异（Local Maximum Mean Discrepancy,LMMD）模块,同时输入来自旧环境的带标签手势图像与来自新环境的无标签手势图片,通过LMMD模块计算两个环境中的样本在特征空间中的分布偏差。该模型通过最小化网络中的分布偏差,可以使同一类别内相关子域的分布更加接近。分类器网络在训练的过程中不仅能通过旧环境中带标签手势图像学习识别不同手势的知识,同时又能最小化不同环境对应分类的映射分布之间的距离。在不需要对新环境中的图像进行标记情况下,系统就可以实现对新环境中手势的分类识别。实验结果表明,系统具有良好的识别性能,在两种典型的室内场景下,识别7种不同手势的准确率达到99.28%。此外,在环境迁移的情景中,整合LMMD模块后的系统在新环境中的准确率稳定在90%以上且不需要数据标记。