近年来,无线感知技术蓬勃发展,其中基于Wi-Fi信号的无线感知技术具有无需佩戴设备、部署成本低、保护用户隐私和不受光线影响等明显的优势。研究人员通过提取Wi-Fi信号中的信道状态信息（Channel State Information,CSI）可以用于位置服务、入侵监测和行为感知等领域。借助CSI信息刻画出位置、人员或行为的变化对室内Wi-Fi信号传播途径产生的影响,并以此建立CSI信息与室内环境之间的映射关系,从而实现无线感知技术。目前,无线感知领域中的动态手势识别技术备受学术界的关注,然而由于手势动作属于细粒度的动作行为,以及动态手势具有多样性等因素,导致基于CSI无线感知的动态手势识别方法中存在着很多有待改进的方面。本文在CSI信号处理阶段提升有效信息数据的利用率;进一步提高复杂动态手势动作识别的准确率;提取信号与手势动作相关的高层特征等方面深入分析和研究,并进行了大量的相关实验,提出了三种针对不同情况的动态手势识别方法。主要工作内容如下:（1）为了提升CSI信号处理阶段有效信息数据的利用率,提出了一种将CSI信号中幅值和相位结合的动态手势识别方法。本方法充分考虑到CSI信号中的相位信息,通过处理后的相位信息也可以提供手势动作的变化趋势,该方法在提高CSI信息利用率的同时,还能较好的提升手势动作识别准确度。（2）为了进一步提高复杂动态手势动作的识别准确率,提出了一种基于KDTW算法的动态手势识别方法。由于动态手势动作具有复杂多变的特点,提升复杂动态手势的识别准确率尤为重要。本方法主要通过动态时间规整计算待测手势数据点与模板手势数据点之间的距离,在此基础上利用CSI序列模板对比的方法,实现对手写数字的复杂动态手势高效识别。（3）为了提取CSI信号与手势动作相关的高层特征,提出了一种基于深度学习的动态手势识别方法GR-CNN。借助卷积神经网络（Convolutional Neural Networks,CNN）结合长短期记忆网络（Long Short-Term Memory,LSTM）的GR-CNN识别方法,主要是利用CNN和LSTM结合的网络模型,提取出CSI信号与动态手势相关的高层特征,实现对手写字母的手势动作进行识别。将深度学习技术与手势识别相结合,不仅提升了手势动作的识别率,而且丰富了实现手势识别的方法。