手势识别是人机交互领域和物联网系统的重要组成部分。与现有的基于可穿戴传感器的方法和使用专用设备的技术相比,基于Wi-Fi信号的非接触式手势识别是一种不需要任何额外成本且用户体验感良好的方法。由于设备的限制和环境的扰动,Wi-Fi的接收信号强度非常不稳定,基于Wi-Fi信道状态信息（Channel State Information,CSI）的方法更适合被动、精细的手势识别。然而,现有的基于Wi-Fi CSI的手势识别系统的模型复杂度高、识别准确率低、难以应用于未经过训练的环境之中。为了解决这些问题,本文提出了一种名为WiHGRS的、高精度的、强鲁棒性的手势识别系统。WiHGRS以相邻两接收天线之间的CSI相位差作为输入,降低了设备和环境对其识别性能的影响。通过一种稀疏恢复方法,WiHGRS可以将表示手势变化的CSI数据从原始的CSI数据中提取出来,此方法提高了CSI数据与手势变化之间的关联性、大幅度降低了CSI数据的维度,因此,WiHGRS的手势识别精度有所提升、时间复杂度大幅度降低。WiHGRS使用一种改进的门控循环单元作为神经网络的基本单元,此改进的门控循环单元与传统的门控循环单元有着相似的性能,但其计算复杂度更低,因此WiHGRS在模型训练和手势识别过程中耗费的时间都有所减少。双向网络结构同时考虑了顺序的CSI数据和逆序的CSI数据,提高了WiHGRS在手势识别方面的精度。注意力机制为更重要的CSI的特征和时间步长赋予更高的权重,它的应用进一步提高了WiHGRS的手势识别精度。为了验证WiHGRS在手势识别方面的性能,本文将WiHGRS与一些先进的基准方法进行了比较,通过实验评估了所有方法在训练环境中的手势识别精度和时间复杂度、在非训练环境中的手势识别精度。实验结果表明:本文所提出的WiHGRS在训练环境中和在非训练环境中都有着最高的手势识别精度,而且WiHGRS的手势识别精度明显高于其他对比的基准方法;此外,WiHGRS的时间复杂度较低,训练模型和识别手势所花费的时间都相对较短。综合手势识别精度和时间复杂度来看,WiHGRS取得了很好的手势识别性能。为了评估WiHGRS中每个模块的作用,本文还进行了消融实验。实验结果表明:相邻两接收天线之间的CSI相位差、稀疏恢复方法、双向网络结构和注意力机制的应用都在一定程度上提高了WiHGRS的手势识别精度;此外,改进的门控循环单元和稀疏恢复方法的使用降低了WiHGRS的时间复杂度。