动作识别作为人机交互领域的一个重要研究方向,在生活中具有广泛的应用。传统基于视频图像和穿戴式传感器的动作识别技术受光线、视角、隐私以及便携性等条件限制,在一些场景中并不适用。而使用Wi-Fi信号进行动作识别可以有效地克服这些缺点。目前基于Wi-Fi的动作识别方法大多使用人工特征和传统机器学习分类算法,在复杂的手部动作识别任务上效果并不理想。因此,本文基于Wi-Fi信道状态信息(Channel State Information,CSI),针对手部动作中的手势和手语孤立词,分别提出了一种基于深度迁移学习的Wi-Fi手势识别算法和一种基于CNN和LSTM融合的Wi-Fi手语孤立词识别算法。主要内容如下:(1)为了克服现有方法提取手部动作片段不完整的问题,提出一种基于缓冲区技术的手部动作片段提取算法。首先将经过降噪处理的CSI序列划分为若干窗口,然后计算各窗口中CSI的方差均值,最后结合缓冲区技术与方差均值的阈值提取出完整的手部动作片段。(2)针对现有Wi-Fi手势识别方法准确率不高的问题,提出了一种基于深度迁移学习的Wi-Fi手势识别算法。首先将Wi-Fi手势识别问题转换为图像分类问题,然后使用迁移学习的方法实现手势识别。实验结果表明,在12类手势识别任务中取得了98%的准确率,比前沿算法提高了5.7%。(3)为了提高使用Wi-Fi实现手语孤立词识别的准确率,提出了一种基于CNN和LSTM融合的Wi-Fi手语孤立词识别算法。结合迁移学习提取的多层次图像特征和LSTM提取的时序特征构建了一种深度神经网络。实验结果表明,在100个手语孤立词的识别任务上取得了98.6%的准确率,相比于2018年的SignFi方法提高了1.6%。以上研究工作表明,本文提出的算法提高了基于Wi-Fi的手部动作识别的准确性和鲁棒性,丰富了人与智能设备之间的交互方式。