手势识别技术在人机交互领域中有着重要的应用。基于WiFi信号的手势识别技术可以在非视距环境下准确的识别手势动作,但是由于无线信号对信道变化敏感,室内背景环境经常变化,故手势识别的抗干扰能力较差。基于毫米波雷达信号的手势识别技术具有较强的抗干扰能力,但是由于毫米波的波长较短,穿透能力较弱,当有障碍物遮挡时,毫米波雷达的识别准确率大打折扣。为了进一步促进手势识别技术的发展和实际应用,合理利用已有的手势识别技术提升手势识别系统的鲁棒性,本文进行了如下的研究工作:首先,本文对从WiFi信号中得到的信道状态信息（Channel State Information,CSI）原始数据使用离散小波变换进行去噪,再使用主成分分析方法实现数据的降维;对毫米波雷达采集到的原始回波数据进行2D-FFT得到距离-多普勒图,提出将多帧手势数据进行叠加处理,形成压缩距离-多普勒（Compressed Range-Doppler,CRD）图。本文使用CSI降维数据和CRD图作为神经网络的训练输入,可以有效保留手势特征信息,同时降低输入样本维度,提高网络训练效率。然后,本文分别实现了基于WiFi平台的手势识别和基于毫米波雷达平台的手势识别。两种平台采集并处理后的数据分别在Alex Net、VGGNet和Res Net等经典卷积神经网络下训练,实现对6种动态手势的分类。根据两种硬件平台的手势识别技术在不同环境中的特点,本文提出了基于WiFi与毫米波雷达信息融合的手势识别方法,以提升在不同环境下的手势识别性能。对信息融合方法的实验分析表明,双平台信息融合的手势识别方法在非视距环境和抗干扰环境的识别性能相较于单平台有着明显的提升。最后,在WiFi与毫米波雷达信息融合的基础网络上,本文根据不同平台采集得到的数据特点,提出了一种基于WiFi与毫米波雷达信息融合的手势识别算法GAWR-FNN。GAWR-FNN采用门控循环单元（Gate Recurrent Unit,GRU）提取CSI数据的时序特征,采用卷积块注意力模块（Convolutional Block Attention Module,CBAM）提取CRD图的深层特征。通过实验分析得出,相较于用经典神经网络作为特征提取模块进行数据融合的手势识别方法,GAWR-FNN在手势识别的整体性能上有大幅提升,使手势识别的综合准确率达到98.5%,在非视距环境和干扰环境的识别准确率达到了97%。