随着WiFi设备应用的普及,WiFi不仅能为人们提供便捷高速的数据服务,而且在目标探测和识别方面有着强大潜力。由于基于WiFi信号的运动检测技术不要求被检查者穿戴昂贵的设备,也对被检测者所处的环境没有太多限制,因此一直是研究的热点问题。手势识别作为人体运动状态检测的一种,由于手势变化的幅度较小,因此需要更精细的检测手段对不同的手势进行识别。现有的基于WiFi信号的手势识别技术手段主要根据商业网卡来采集信道状态信息(Channel State Information,CSI)数据或接收信号强度(Received Signal Strength Indication,RSSI)来实现。但是商业网卡精度低且容易引入额外的噪声因此在前期数据处理上造成很大麻烦,而RSSI数据细粒度不够高导致最终识别准确率不高。在算法模型方面以往的研究都选择比较单一的机器学习算法,在理想环境下虽然能达到较高的识别准确率,但在一定环境干扰下却表现不佳。针对上述问题,本文使用精细度较高的通用软件无线电外设(Universal Software Radio Peripheral,USRP)作为接收WiFi信号的设备,通过GNU Radio软件无线电平台设计和修改WiFi接收机算法流程采集CSI数据,并为采集的CSI数据添加时间戳并采样使得每个手势对应的CSI数据对齐。得到与手势对应的CSI后,采用主成分分析法对CSI数据降噪处理和离散小波变换算法对CSI数据提取特征。为探究手势识别最优的算法模型,将5种常见的机器学习算法的手势识别准确率对比,最终得到准确率最高的算法为随机森林算法。此外,实验还利用随机森林算法进行特征选择以此优化得到更高的分类准确率。为验证上述算法对手势识别技术研究的鲁棒性和适用范围,实验设置了不同的CSI数据采样率、不同人数干扰环境、不同收发设置距离以及是否为视距环境的多组场景采集手势CSI数据并利用随机森林算法进行手势分类。实验结果表明在无人干扰的视距环境下随机森林算法的平均准确率为96%,非视距环境下准确率为92%。在非理想环境下,在CSI采样率不小于256 kpts/s、5人以内的干扰以及收发设备距离在4.5 m内的实验环境下采集的手势数据,随机森林的识别准确率能达到90%以上。非理想环境下的实验结果也表明了本文提出的手势识别算法的鲁棒性与适用性。