手势识别是人机交互领域的一个重要研究方向,在智慧城市、手语翻译以及智能家居等方面都有诸多应用。基于无线信号的手势识别方法作为当下的研究热点之一,具有成本低、分布广和扩展性好等特点。本文将单人手势行为作为研究对象,通过原始数据处理、手势特征提取以及网络模型构建等方面对手势动作进行研究分析,实现对连续手势动作的特征融合并提高算法识别效果。信道状态信息（Channel State Information,CSI）作为无线信道状态的集合,可用来表征信号传播过程中所感知的人体动作变化,并记录在幅值和相位中。考虑其易受环境和多径传播效应的影响存在噪声数据,提出基于主成分分析（Principal Component Analysis,PCA）以及离散小波变换（Discrete Wavelet Transform,DWT）对噪声湮没的关键运动信息进行分离,从而构建手势行为特征。同时,现有片段式的手势特征提取规则难以描述运动过程的整体语义,考虑到手势变化时背景信息和动作信息的连续性,提出利用时序权值共享将正向手势动作序列的特征与反向手势动作序列的特征进行整合,实现对手势行为的整体特征进行分析识别。本文提出采用特征融合与时序模型结合的方法,构建BAGR（Bi-LSTM Atten tion Gesture Recognition）网络将正向手势动作序列和反向手势动作序列进行双向特征融合,解决仅依据手势动作的历史信息进行分析识别的局限性和不足。首先利用主成分分析从原始数据中构建有效动作特征。其次,通过金字塔式网络结构对手势行为进行由浅到深的时序特征提取,实现手势信息的多层次表达。此外,引入通道注意力机制（Channel Attention,CA）对不同特征提取通道分配权重,强化模型对关键动作信息的特征学习。最后,引入参数化修正线性单元（Parametric Rectified Linear Unit,PRe LU）自适应更新激活函数参数,提高模型的鲁棒性。此外,本文提出基于多模型融合的方法,通过构建CBGR（CNN Bi-GRU Gesture Recognition）网络实现对手势动作时空特征的深度学习,解决手势特征在时空维度下映射关系的建模问题。首先通过离散小波变换提取出低频部分的手势特征,实现对原始数据的特征挖掘。其次构建多输入网络结构,通过递进式卷积神经网络提取手势动作的空间域特征,并结合残差结构强化模型拟合能力,最后与双向门控循环单元提取手势动作的时间域特征相融合,实现对手势行为时空特征的深度捕捉。通过数据预处理、特征提取、融合注意力机制的时序网络模型对手势动作进行训练和识别。实验结果表明,本文提出的BAGR网络以及CBGR网络分别在Widar3.0手势动作测试集上准确率达到94.1%和96.8%,可见相关算法对基于无线信号的手势行为实现了有效建模,并具有较强的适应性。