人机交互技术的发展,实现了从人适应计算机到计算机不断适应人这个过程的转变。以人为中心的交互方式是现如今人机交互技术的研究重点。手势识别作为人机交互的核心技术之一,在手语翻译、智能家居以及虚拟现实等领域取得了广泛的应用。目前常见的手势识别技术包括基于可穿戴传感器和计算机视觉。虽然这两种方式能够取得较高的准确度,但是都存在各自的局限性。基于可穿戴传感器的手势识别是一种主动识别方式,它需要用户佩戴相应的设备,缺少便利性,设备成本较高。基于视觉的手势识别是一种被动识别方式,不需要用户佩戴额外的设备,但是其识别精度容易收到光照、遮挡等外界环境的影响,无法保障个人的隐私。因此,针对传统手势识别方法存在的耗能大、部署困难等问题,基于无线传感的手势识别方法具有很高的现实价值。随着无线通信技术的发展以及WiFi设备的广泛部署,基于WiFi的手势识别成为研究的热点。本文提出了两种混合深度学习模型,利用来自WiFi设备的信道状态信息（channel state information,CSI）进行手势识别。主要研究内容包括:首先针通过巴特沃斯滤波、主成分分析、小波变换以及时频分析等操作对原始数据进行不同的预处理,分别得到去噪后的CSI数据、多普勒频移组件以及CSI幅值方差三种不同的输入参数作为深度学习模型的输入。其次,在Widar数据集上,分别以去噪后的CSI数据、多普勒频移组件作为输入。提出CGRU-ELM深度混合模型挖掘两种输入参数的时空特征,从而实现六种常见人机交互手势的识别。最后,在Sign Fi数据集上,以CSI幅值方差和多普勒频移组件作为输入参数,提出TCN-ELM模型提取两种输入参数的序列特征,实现对不同手语动作的识别。从不同的输入参数、实验环境、方法和数据集这几个方面,对本文提出的两种深度学习模型分别进行对比实验。试验结果表明,本文提出的两个深度学习模型在两种不同的数据集上均取得了较好的准确度,是有效的分类模型。