与人脸识别、语音识别一样,手势识别也较常见,广泛应用于日常生活,具有很高的应用价值。已有的识别方法是视频成像、佩戴设备或无线装置,其中前两种在精度和效率上都较高,但受限于环境或隐私。而无线识别中基于Wi-Fi信道状态信息（Channel State Information,CSI）的识别方法则没有这些限制,有利于手势识别研究。但是,在跨场景手势识别问题中,每个不同的场景均需大量的数据样本来完成高精度的识别工作,而Wi-Fi设备的信号传输极易受到外界影响,不同场景的布局等都会对信号记录产生极大的影响,使得对于新场景手势识别需要较多样本。因此,本文通过使用Wi-Fi CSI数据进行极少数样本下的跨场景手势识别的研究,主要工作如下:（1）针对于长序列CSI信号数据由于手势连续性以及设备记录等因素引起的漏检误检问题,提出了一种基于双阶段定位的Wi-Fi CSI手势片段分割方法。该方法首先对每个时间单位数据计算手势概率,再经过数据平滑处理,去除异常值并将不同手势片段分隔。其次,通过随机候选框结合非极大值抑制以及精确回归,再确定每个手势片段的位置。经过实验验证,该方法在已有手势数据上可以达到98%的分割精度。（2）针对现有的跨场景手势识别问题中不同场景间手势通用特征难提取问题,提出了一种基于信息融合的多场景通用手势特征提取算法。该方法首先采集场景信息并进行偏移修正。其次,该方法通过计算数据的多维信息扩充手势信息占比。最后,通过在提取特征过程中改变不同特征权重进一步获取通用手势特征。经过实验验证,该方法可以有效学习多场景通用手势特征,同时提升跨场景手势识别性能。（3）针对现有的跨场景手势识别问题中目标场景需要较多样本进行训练的问题,提出了一种基于嵌套双分支网络的跨场景手势识别算法。该方法首先对源场景和目标场景的手势配对,然后通过内部双分支结构提取手势的时空特征,再通过外部双分支结构计算手势样本配对的相似程度,在极低的目标场景数据代价下有效的提升识别精度。经过实验验证,该方法在跨场景手势识别问题上可以达到96%的识别精度。从上述的工作中可以看出,本文的方法使用Wi-Fi CSI数据在跨场景手势识别任务中具有较高精度和鲁棒性,可有效应用于现有生活中的人机交互和智能家居。