随着人机交互技术的发展,手势识别作为智能家居、手语翻译、虚拟现实等重要物联网应用的基础技术,在日常生活中得到广泛的应用。目前,人们普遍运用基于视觉和穿戴式设备两种手势识别技术。但是,基于视觉的手势识别技术存在易受光照条件的影响、设备成本高、无法保障个人隐私等问题,而基于穿戴式设备的手势识别技术则需要用户佩戴专用设备,不仅限制了用户的自由,而且难以实现以人为中心的人机交互。因此,研究一种无需用户携带任何设备、不受光线强弱影响、部署代价低的手势识别技术,具有很高的现实价值与应用意义。利用来自Wi-Fi设备的信道状态信息（Channel State Information,CSI）进行手势识别,具有无需携带设备、保障个人隐私、可在夜间工作和成本低等优点,为消除传统手势识别技术运用中存在的各种限制,提供了新的解决思路和技术方法。然而,由于无线信号传播具有高动态性,且在传播过程中稳定性较弱,又因室内环境存在显著的多径效应等,很容易限制手势识别的准确度。为解决运用Wi-Fi设备进行手势识别时存在的问题,本文提出基于 CSI 的手势识别方法 HandFi（Hand Gesture Recognition Using Wi-Fi）。首先,引入衡量当前室内环境变化的指标PEM（Percentage of non-zero Element）,来表征室内人数变化时子载波波动程度的变化,减少实验环境对手势识别的限制。其次,使用巴特沃斯带通滤波和主成分分析去噪,消除数据中的高频噪声和脉冲噪声,同时实现对数据的降维,减少实验中计算的复杂度。再次,利用小波变换提取不同手势动作的时频域特征。最后,设计CNN-GRU模型挖掘CSI序列的时空特征,从而实现动态手势识别。实验结果表明,本文提出的基于CSI的手势识别方法HandFi,在两种不同的实验环境中,其平均识别准确度均有较大提高。其中,在安静的办公室环境中,算法识别准确度达到了 95.29%,而在环境嘈杂的实验室环境中,算法识别准确度达到了 93.19%。但本文设计的CNN-GRU模型算法复杂度更低,且使用较少的数据进行训练能够达到更理想的识别准确度。通过对比实验发现,子载波数量、手势区域大小和发射速率对识别准确度的影响程度较大,为之后实验环境设置提供了依据。