射频识别技术（Radio Frequency Identification,RFID）由于轻量级、易部署、受同频段信号干扰少等特点,已成为非接触手势识别领域的一项关键技术。然而,由于无线信号反射、折射、散射等特性,导致不同场景下采集的同一动作的信号会有所差异。这是因为不同的场景,例如产生动作的用户不同、动作与感知平台的距离不同或者部署房间的不同,会对无线信号的传播带来不同影响。训练的识别模型在新场景下迁移性能较差,因此需要提升模型的跨场景能力。所谓的跨场景能力就是在发生上述场景变化时使模型仍能拥有较高的性能。本文从信号预处理以及分类模型构建两个方面对如何提高基于RFID的非接触手势识别的跨场景能力进行了深入研究,研究工作如下:（1）为了确保感知模型可以获得更好的性能,首先需要对收到的无线信号进行预处理,以获得更精确的信号表征。在预处理过程中,场景变化引起背景噪声分布的改变会导致手势信号的分割不准确;常见的特征表述方式的时频表达能力有限,制约了模型的学习能力。针对手势信号分割不准确的问题,本文设计了基于融合方差的分段方法进行信号分段。将不同标签收集的活动信号方差减去场景的噪声方差,对结果进行指数运算后求和,按照场景噪声的分布情况对不同标签的信号进行加权修正。等效于根据信号和噪声的变化强度,对分割的阈值做动态调整,考虑场景信息的变化来辅助分出更完整的信号。针对现有特征表述方式能力有待提升的问题,本文运用同步挤压小波变换来获得更高分辨率的时频信息。同步挤压小波变换将小波变换和经验模态分解的思想相结合,通过对原始信号计算小波系数得到瞬时频率,将其频率信息进行重组后获得更精细的时频表示。通过实验证明,本文提出的预处理方法可以很好的获得高分辨率的干净手势信号。（2）为了更好提升识别模型的跨场景能力,需要针对性的调整模型的学习内容。模型学习时,不同信息量的信号特征需要不同学习能力,不合理的参数设置会导致资源的浪费和过拟合;不加修正的对信息进行提取会导致模型学到的特征包含大量限制其跨场景能力的信息。针对不同信息量的信号特征需要不同学习能力的问题,本文通过对RFID标签反向散射信号特性进行分析,提出了不同权重的双通道特征提取算法对相位和接收信号强度（Received Signal Strength Indicator,RSSI）信息进行学习,给予包含信息更多的相位更多的学习权重,以更好的捕捉手势信号特征。针对模型学到很多特定场景信息从而影响模型跨场景能力的问题,考虑到距离变化带来的影响,将连续的距离离散化,设计了多对抗领域判别器,来消除不同场景的信息。通过实验证明,本文提出的识别模型可以最大化的利用已有的标签反向散射先验知识,来提升基于RFID的非接触手势识别的跨场景能力。为验证上述方法的有效性,本文采集了多种场景下大量的手势数据,构建了自用数据集。实验结果表明,本文提出的算法提高了基于RFID的跨场景非接触手势识别的准确性和鲁棒性,为人与智能设备之间的交互方式提供了更多的可能。