手势识别是人机交互领域的一个重要研究方向,在智能家居、虚拟现实等应用场景都有着广泛的用途。基于Wi-Fi的手势识别方法相比于基于计算机视觉和传感器设备等方法具备实现成本低、部署简单的特点,具有一定的研究价值和现实意义。在人体手势分类任务中,对于实现手势动作的高效准确判断在时空建模和理解复杂度方面具有一定的挑战。本文针对单人手势动作,从Wi-Fi信号的预处理、手势特征提取及网络模型等方面进行研究,结合深度学习技术构建有效模型,提高识别效果。首先,对于包含复杂环境的原始Wi-Fi信号数据,难以从中直接提取到有效的特征信息进行判别。Wi-Fi信号中包含的信道状态信息（Channel State Information,CSI）具备稳定性强且对人体行为较为敏感的特征,故从Wi-Fi信号当中提取CSI幅值信息作为包含人体手势的特征数据,作为后续处理的关键载体。其次,针对CSI原始数据中存在大量的环境干扰信息,本文利用巴特沃斯低通滤波、离散小波变换以及数据归一化的预处理方式对CSI幅值数据进行滤波去噪,并针对深度学习网络的输入规范对于长度不一的数据进行提取切片,使其适应深度学习网络的输入模式。最后,本文分别提出多输入密集时间卷积网络（Temporal Convolutional Networks,TCN）和注意力TCN两种TCN改进网络对人体手势进行分类识别。其中多输入密集TCN中通过设计密集连接结构并优化时间模块,有效降低网络计算量,同时引入多输入结构进行模型训练;注意力TCN通过在时间模块中引入注意力机制并替换激活函数实现数据的深度特征提取,并在TCN中构建递进结构避免梯度消失现象。从不同的网络、样本选取、子载波选取和训练时间等方面,对本文提出的两种改进TCN深度学习模型分别进行实验。实验结果表明,本文构建的多输入密集TCN和注意力TCN在Widar3.0的三组不同手势数据集上平均识别精度均达到了较高水准,增强了原始TCN对序列数据的感知和识别能力,可实现Wi-Fi环境下人体手势识别的有效建模。